AI मॉडल क्षमता तुलना
विज्ञान और गणित
Only models released within the past year are shown. Only benchmarks covering at least 3 of these models are shown. Unknown release dates are excluded; historical data is retained.
— means no published score for this candidate in this source, not zero.
| क्र. | मॉडल | 4/11 recent-year models have scores | 4/11 recent-year models have scores | 4/11 recent-year models have scores |
|---|---|---|---|---|
| 1 |  Claude Opus 5.5 | 73.1Claude Opus 5.5 | 69.6Claude Opus 5.5 | 63.3Claude Opus 5.5 |
| 2 |  GPT-6 Astra | 85.4GPT-6 Astra | 72GPT-6 Astra | 68.1GPT-6 Astra |
| 3 | GPT-6.1 Sol | — | — | — |
| 4 | Claude Fable 5.1 | 68.6Claude Fable 5.1 | 65.6Claude Fable 5.1 | 52.6Claude Fable 5.1 |
| 5 |  Gemini 4 Argon | 88.8Gemini 4 Argon | 76Gemini 4 Argon | 57.6Gemini 4 Argon |
| 6 | Claude Sonnet 5.5 | — | — | — |
| 7 | Claude Opus 5 | — | — | — |
| 8 | GPT-6 Sol | — | — | — |
| 9 | GPT-6 Luna | — | — | — |
| 10 | Claude Haiku 5.5 | — | — | — |
| 11 | Claude Mythos Preview | — | — | — |
Google DeepMind (model card)
स्रोत: Google DeepMind (model card) ↗
Google मॉडल कार्ड: प्रकाशक के परिणाम और पुनः प्रकाशित तृतीय-पक्ष स्कोर, अक्टूबर 2026 की स्थिति तक। मूल्यांकन सेटिंग्स के लिए कार्यप्रणाली देखें; ये सभी स्वतंत्र मूल्यांकन नहीं हैं। मूल्यांकन पद्धति ↗
LABBench 2 · Source date unknown
RiemannBench · Source date unknown
Terminal-Bench Science 0.1 · Source date unknown
PandaNpc अपडेटेड 21 अक्टू॰ 2026, 06:01 UTC
स्रोत: Epoch AI, CC BY 4.0 · Vals.ai · Artificial Analysis (artificialanalysis.ai)
स्तंभ गाइड
- क्र.
- केवल प्रदर्शन क्रम। क्रमबद्ध करने पर यह संख्या बदलती है; यह प्रकाशित क्षमता रैंक नहीं है।
- मॉडल
- मूल्यांकित मॉडल का नाम और उसके प्रदाता का आइकन। स्कोर स्तंभ में डैश का अर्थ है कि यहाँ कोई प्रकाशित स्कोर उपलब्ध नहीं है, शून्य नहीं।
- LABBench 2प्रयोगशाला बेंचमार्क 2
- जीव विज्ञान शोध कार्यों का परीक्षण करता है, जिनमें वैज्ञानिक सूचना और डेटा विश्लेषण शामिल हैं। परिणाम मूल्यांकन के दौरान उपलब्ध टूल्स पर निर्भर करते हैं। मूल्यांकन पद्धति ↗
- RiemannBenchRiemann गणित बेंचमार्क
- साधारण प्रतियोगिता अभ्यासों से परे शोध-स्तरीय गणित की समस्याओं का परीक्षण करता है। स्कोर सामान्य गणितीय महारत के बजाय बेंचमार्क पर प्रदर्शन को दर्शाते हैं। मूल्यांकन पद्धति ↗
- Terminal-Bench Science 0.1वैज्ञानिक टर्मिनल बेंचमार्क 0.1
- टर्मिनल टूल्स के माध्यम से किए जाने वाले वैज्ञानिक शोध कार्यप्रवाहों का परीक्षण करता है। 0.1 संस्करण सामान्य Terminal-Bench कार्य सेट से अलग है। मूल्यांकन पद्धति ↗
स्कोर को एक ही बेंचमार्क, स्रोत और संस्करण के भीतर पढ़ें। उच्च मान रिपोर्ट किए गए मीट्रिक पर मजबूत प्रदर्शन दर्शाते हैं, लेकिन अलग-अलग स्तंभ एक सामान्य स्केल साझा नहीं करते।