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.
LegalBenchJogi érvelési benchmark
— means no published score for this candidate in this source, not zero.3/11 recent-year models have scores
| Sz. | Modell | Input costBemeneti ár millió tokenenként | Output costKimeneti ár millió tokenenként | LatencyJelentett késleltetés | |
|---|---|---|---|---|---|
| 1 |  Claude Fable 5.1Claude Fable 5.1 | 88.51 | $10 | $50 | 12.4 s |
| 2 |  Gemini 4 ArgonGemini 4 Argon | 88.3 | $4 | $20 | 12.62 s |
| 3 | Claude Opus 5Claude Opus 5 | 86.97 | $5 | $25 | 4.42 s |
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.
- Input cost
- Bemeneti ár millió tokenenként · USD / 1M tokens
- Output cost
- Kimeneti ár millió tokenenként · USD / 1M tokens
- Latency
- Jelentett késleltetés · 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 ↗