AI-modellek képességeinek összehasonlítása
Ügynöki kódolás
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.
| Sz. | Modell | 4/11 recent-year models have scores | 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 | 74.2Claude Opus 5.5 | 62.3Claude Opus 5.5 | 66.4Claude Opus 5.5 | 90.3Claude Opus 5.5 |
| 2 |  GPT-6 Astra | 74.1GPT-6 Astra | 65.5GPT-6 Astra | 58.2GPT-6 Astra | 89.6GPT-6 Astra |
| 3 | GPT-6.1 Sol | — | — | — | — |
| 4 | Claude Fable 5.1 | 67.4Claude Fable 5.1 | 56.3Claude Fable 5.1 | 57.9Claude Fable 5.1 | 90.3Claude Fable 5.1 |
| 5 |  Gemini 4 Argon | 77.9Gemini 4 Argon | 55Gemini 4 Argon | 57.4Gemini 4 Argon | 91.9Gemini 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)
Forrás: Google DeepMind (model card) ↗
Google modellkártya: a közzétevő eredményei és újraközölt harmadik féltől származó pontszámok, 2026. októberi állapot szerint. A kiértékelési beállításokhoz lásd a módszertant; ezek nem mind független értékelések. Értékelési módszertan ↗
DeepSWE v1.1 · Source date unknown
FrontierSWE v2 · Source date unknown
Terminal-bench 4.0 · Source date unknown
Vibe Code Bench · Source date unknown
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.
- DeepSWE v1.1DeepSWE szoftverfejlesztés v1.1
- Hosszú távú szoftverfejlesztést tesztel eredeti feladatokon, a sikert a feladatkövetelmények alapján ellenőrzi. Ugyanazt a benchmarkverziót és ügynökbeállítást hasonlítsa össze. Értékelési módszertan ↗
- FrontierSWE v2FrontierSWE szoftverfejlesztés v2
- Nehéz mérnöki és műszaki kutatási feladatokat tesztel. A pontszámok a közzétett feladatértékelést tükrözik; a verzió és az ügynökbeállítás befolyásolják az összehasonlíthatóságot. Értékelési módszertan ↗
- Terminal-bench 4.0Terminál benchmark 4.0
- Gyakorlati feladatok terminálkörnyezetben való elvégzését teszteli, például kódolást és rendszerüzemeltetést. A verziók eltérő feladatkészleteket használnak, ezért külön kell összehasonlítani őket. Értékelési módszertan ↗
- Vibe Code BenchVibe-kódolási benchmark
- Webalkalmazások természetes nyelvű kérésekből történő felépítését teszteli, az elkészült alkalmazást értékeli, nem pedig az elszigetelt kódválaszokat. Értékelési módszertan ↗
A pontszámokat ugyanazon benchmark, forrás és verzió keretein belül olvassa. A magasabb értékek erősebb teljesítményt jeleznek a jelentett metrikán, de a különböző oszlopok nem osztoznak közös skálán.