AI-modellek képességeinek összehasonlítása
Számítógép-használat
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.
Agent's Last Exam — Pass rateÜgynök záróvizsga — teljesítési arány
— means no published score for this candidate in this source, not zero.3/11 recent-year models have scores
| Sz. | Modell | |
|---|---|---|
| 1 |  Gemini 4 ArgonGemini 4 Argon | 39.5Pass rate |
| 2 |  Claude Opus 5.5Claude Opus 5.5 | 38.2Pass rate |
| 3 |  GPT-6 AstraGPT-6 Astra | 34.2Pass rate |
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 ↗
Agent's Last Exam — Pass rate · 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.
- Pontszám
- Hosszú távú szakmai munkát tesztel valós szoftverkörnyezetekben. A sikerességi arány azokat a feladatokat számolja, amelyek megfelelnek az elvárt eredménynek, nem csak a részleges előrehaladást. Értékelési módszertan ↗
- Lefedettség
- Csak a kiválasztott modellcsaládok publikált eredményei láthatók. Az OSWorld 2.x, Verified és Pro jelenleg Claude Opus 5 konfigurációkat biztosítanak; ez nem jelenti az összes modell teljes lefedettségét. A Windows Agent Arena, MacArena, ScreenSpot-Pro, OSWorld-Human, WebArena-Verified, VisualWebArena, Online-Mind2Web és WorkArena++ még nincsenek itt integrálva. A SafeArena külön méri a biztonságot, és nincs összevonva a feladatteljesítési pontszámokkal. A hiányzó eredményeket soha nem töltjük fel nullával.