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.
— 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 | 42.5ScoreClaude Opus 5.5 | 3.8Claude Opus 5.5 | 58.6Claude Opus 5.5 | 67Claude Opus 5.5 |
| 2 |  GPT-6 Astra | 41.4ScoreGPT-6 Astra | 5.4GPT-6 Astra | 53.5GPT-6 Astra | 63.1GPT-6 Astra |
| 3 | GPT-6.1 Sol | — | — | — | — |
| 4 | Claude Fable 5.1 | 31.4ScoreClaude Fable 5.1 | 6.7Claude Fable 5.1 | 58.9Claude Fable 5.1 | 65.8Claude Fable 5.1 |
| 5 |  Gemini 4 Argon | 51.3ScoreGemini 4 Argon | 19.6Gemini 4 Argon | 65.4Gemini 4 Argon | 68.9Gemini 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 ↗
AutomationBench — Score · Source date unknown
Harvey's Legal Agent Benchmark · Source date unknown
Vals Finance Agent v2 · Source date unknown
Vals Index · 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.
- AutomationBench — ScoreAutomatizálási benchmark — pontszám
- Azt teszteli, hogy egy ágens végrehajt-e üzleti munkafolyamatokat több alkalmazáson keresztül. A hivatalos pontszámok privát feladathalmazt használnak, és a munkafolyamat végállapotát ellenőrzik. 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 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 ↗
- 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 ↗
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.