Perbandingan Kemampuan Model AI
Pengodean agentik
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.
| No. | Model | 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)
Sumber: Google DeepMind (model card) ↗
Kartu model Google: hasil penerbit dan skor pihak ketiga yang diterbitkan ulang, per Oktober 2026. Lihat metodologi untuk pengaturan evaluasi; ini tidak semuanya evaluasi independen. Metodologi evaluasi ↗
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 Diperbarui 21 Okt 2026, 06.01 UTC
Sumber: Epoch AI, CC BY 4.0 · Vals.ai · Artificial Analysis (artificialanalysis.ai)
Panduan kolom
- No.
- Hanya urutan tampilan. Pengurutan mengubah nomor ini; ini bukan peringkat kemampuan yang dipublikasikan.
- Model
- Nama model yang dievaluasi dan ikon penyedianya. Tanda hubung pada kolom skor berarti tidak ada skor yang dipublikasikan yang tersedia di sini, bukan nol.
- DeepSWE v1.1Rekayasa perangkat lunak DeepSWE v1.1
- Menguji rekayasa perangkat lunak berjangka panjang pada tugas orisinal, dengan keberhasilan diperiksa terhadap persyaratan tugas. Bandingkan versi benchmark dan pengaturan agen yang sama. Metodologi evaluasi ↗
- FrontierSWE v2Rekayasa perangkat lunak FrontierSWE v2
- Menguji tugas rekayasa dan riset teknis yang sulit. Skor mencerminkan evaluasi tugas yang dipublikasikan, dengan versi dan pengaturan agen memengaruhi komparabilitas. Metodologi evaluasi ↗
- Terminal-bench 4.0Benchmark terminal 4.0
- Menguji penyelesaian tugas praktis di lingkungan terminal, seperti pengodean dan operasi sistem. Versi menggunakan kumpulan tugas yang berbeda dan harus dibandingkan secara terpisah. Metodologi evaluasi ↗
- Vibe Code BenchBenchmark pengodean vibe
- Menguji pembuatan aplikasi web dari permintaan bahasa alami, mengevaluasi aplikasi yang dihasilkan alih-alih jawaban kode yang terisolasi. Metodologi evaluasi ↗
Baca skor dalam benchmark, sumber, dan versi yang sama. Nilai yang lebih tinggi menunjukkan performa yang lebih kuat pada metrik yang dilaporkan, tetapi kolom yang berbeda tidak menggunakan skala yang sama.