AI-modellek képességeinek összehasonlítása
Tudomány és matematika
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 |
|---|---|---|---|---|
| 1 |  Claude Opus 5.5 | 73.1Claude Opus 5.5 | 69.6Claude Opus 5.5 | 63.3Claude Opus 5.5 |
| 2 |  GPT-6 Astra | 85.4GPT-6 Astra | 72GPT-6 Astra | 68.1GPT-6 Astra |
| 3 | GPT-6.1 Sol | — | — | — |
| 4 | Claude Fable 5.1 | 68.6Claude Fable 5.1 | 65.6Claude Fable 5.1 | 52.6Claude Fable 5.1 |
| 5 |  Gemini 4 Argon | 88.8Gemini 4 Argon | 76Gemini 4 Argon | 57.6Gemini 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 ↗
LABBench 2 · Source date unknown
RiemannBench · Source date unknown
Terminal-Bench Science 0.1 · 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.
- LABBench 2Laboratóriumi benchmark 2
- Biológiai kutatási feladatokat tesztel, beleértve a tudományos információkat és az adatelemzést. Az eredmények a kiértékelés során elérhető eszközöktől függenek. Értékelési módszertan ↗
- RiemannBenchRiemann matematikai benchmark
- Kutatási szintű matematikai problémákat tesztel a szokásos versenyfeladatokon túl. A pontszámok a benchmarkon nyújtott teljesítményt tükrözik, nem az általános matematikai jártasságot. Értékelési módszertan ↗
- Terminal-Bench Science 0.1Tudományos terminál benchmark 0.1
- Termináleszközökkel végzett tudományos kutatási munkafolyamatokat tesztel. A 0.1 verzió különáll az általános Terminal-Bench feladatkészlettől. 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.