AI-modellek képességeinek összehasonlítása
Tudásmunka
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.
Harvey's Legal Agent BenchmarkHarvey jogi ügynök benchmark
— means no published score for this candidate in this source, not zero.7/11 recent-year models have scores
| Sz. | Modell | Cost / TestKöltség tesztenként | Input costBemeneti ár millió tokenenként | Output costKimeneti ár millió tokenenként | DurationJelentett tesztidőtartam | |
|---|---|---|---|---|---|---|
| 1 |  Gemini 4 ArgonGemini 4 Argon | 27.08 | $10.55 | $4 | $20 | 29.25 min |
| 2 |  Claude Sonnet 5.5Claude Sonnet 5.5 | 10.42 | $16.61 | $2 | $10 | 73 min |
| 3 | Claude Opus 5.5Claude Opus 5.5 | 9.17 | $21.38 | $4 | $20 | 58.45 min |
| 4 |  GPT-6 AstraGPT-6 Astra | 7.08 | $25.46 | $10 | $50 | 32.55 min |
| 5 | GPT-6.1 SolGPT-6.1 Sol | 6.25 | $3.54 | $2 | $10 | 40.43 min |
| 6 | GPT-6 LunaGPT-6 Luna | 4.17 | $0.3 | $0.1 | $0.5 | 21.75 min |
| 7 | Claude Haiku 5.5Claude Haiku 5.5 | 4.17 | $4.26 | $0.1 | $0.5 | 43.68 min |
Vals.ai benchmarkok
Forrás: Vals.ai ↗ · Frissítve 2026-10-19
Harvey's Legal Agent Benchmark · Frissítve 2026-10-19
PandaNpc Frissítve 2026. okt. 21. 06:01 UTC
Forrás: Epoch AI, CC BY 4.0 · Vals.ai · Artificial Analysis (artificialanalysis.ai)
Oszlopismertető
- Sz.
- Csak megjelenítési sorrend. A rendezés megváltoztatja ezt a számot; ez nem egy közzétett képességi rangsor.
- Modell
- A kiértékelt modell neve és a szolgáltató ikonja. A pontszámoszlopban szereplő kötőjel azt jelenti, hogy itt nem érhető el közzétett pontszám, nem pedig nullát.
- Cost / Test
- Költség tesztenként · USD
- Input cost
- Bemeneti ár millió tokenenként · USD / 1M tokens
- Output cost
- Kimeneti ár millió tokenenként · USD / 1M tokens
- Duration
- Jelentett tesztidőtartam · s / min
- Vals.ai
- A költségeket és az időket erre a benchmarkra a Vals közli, nem univerzális modellárak vagy késleltetés. A CUA-bench becsült API-költsége az értékelési használatot fedi le, és egy alsó korlátot jelentő becslés, nem feladatonkénti költség; a műveletenkénti idő átlag, nem medián. A csillag az indulásnapi prompt-gyorsítótár-viselkedést jelöli, amely megnövelte a gyorsítótár-írási költségeket. A hiányzó értékek nincsenek közzétéve, nem nullák.
- Vals Finance Agent v2Vals pénzügyi ügynök v2
- Pénzügyi elemzést tesztel kereséssel, pénzügyi jelentésekkel és számítási eszközökkel, beleértve a dokumentumok közötti adatellenőrzéseket, a vállalati teljesítmény összehasonlítását és a vállalatértékelést. A fő metrika a Partial Credit, három futás átlagában: a válaszellenőrzések súlyosság alapú súlyokat kapnak, és egy kritikus dealbreaker hiba nullára állítja az adott kérdés pontszámát. A magasabb jobb. Ez eltér a külön All-Pass metrikától, és nem a teljes kérdésre vonatkozó teljesítési arány. Értékelési módszertan ↗
- Harvey's Legal Agent BenchmarkHarvey jogi ügynök benchmark
- A fájlokat olvasó és szerkesztő ügynököket tesztel több lépésből álló jogi munkatermékek előállításában. Egy feladat csak akkor teljesül, ha minden értékelési követelmény teljesül. A pontszám két bíráló átlagos feladatteljesítési aránya; a magasabb jobb. Nem az egyes kritériumok teljesítésének százaléka, és a jogi ügynök munkafolyamatait méri, nem a LegalBench jogi érvelési kérdéseit. Értékelési módszertan ↗
- Vals IndexVals összetett index
- Szakmai feladatok összetett indexe olyan területeken, mint a pénzügy, a kódolás és a jog. Százalékos pontszáma az adott publikált verzió súlyozási módszerével kombinálja a benchmarkeredményeket; a magasabb érték erősebb átfogó teljesítményt jelent, nem egyetlen feladat pontosságát. A bevont területek és súlyok verziónként változnak, ezért az újabb módszertant nem szabad visszamenőleg alkalmazni a régebbi pontszám-pillanatképekre. Értékelési módszertan ↗
- LegalBenchJogi érvelési benchmark
- A jogi szövegek megértését és az azok feletti érvelést teszteli, beleértve a jogi kérdések azonosítását, a szabályok felidézését és alkalmazását, valamint a jogi következtetések megítélését. A pontszám a jogi érvelési kérdéseken elért pontosság; a magasabb jobb. A Harvey's Legal Agent Benchmarktól eltérően nem azt méri, hogy egy ügynök fájlok szerkesztésével több lépésből álló jogi munkatermékeket állít elő. Értékelési módszertan ↗