Perbandingan Kemampuan Model AI
Penggunaan komputer
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.
ALE-V1 · full · max · Codex
— means no published score for this candidate in this source, not zero.3/11 recent-year models have scores
| No. | Model | Mesin agen | Upaya penalaran | Terpisah | Tugas dijalankan / total tugas | ||
|---|---|---|---|---|---|---|---|
| 1 |  GPT-6 Astragpt-6-astra | Codex | max | 34.21% | 59.26% | full | 151 / 152 |
| 2 | GPT-6 Solgpt-6-sol | Codex | max | 31.58% | 58.57% | full | 151 / 152 |
| 3 | GPT-6 Lunagpt-6-luna | Codex | max | 25% | 50.89% | full | 150 / 152 |
ALE · alur kerja profesional
Sumber: Agents’ Last Exam ↗ · CC BY 4.0 · Diambil 21 Okt 2026, 06.00 UTC
ALE-V1 · full · max · Codex · 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.
- Mesin agen
- Codex
- Upaya penalaran
- max
- Skor
- ALE-V1 split penuh, upaya penalaran maksimum: persentase dari seluruh 152 tugas yang menerima kredit penuh. Jumlah tugas yang dijalankan mungkin di bawah 152. Alur kerja profesional mengizinkan GUI dan alat command-line; Claude Code dan Codex menggunakan harness yang berbeda. Ini bukan perbandingan khusus GUI. Tanggal snapshot upstream tidak dipublikasikan; waktu pengambilan ditampilkan terpisah. Claude Code dan Codex hanya diperingkat dalam kelompok perbandingan terpisah masing-masing. Metodologi evaluasi ↗
- Skor parsial
- ALE-V1 split penuh, upaya penalaran maksimum: skor rata-rata tugas parsial yang dipublikasikan, dikonversi dari 0–1 ke persentase. Ini bukan tingkat kelulusan tugas penuh. Alur kerja profesional mengizinkan GUI dan alat command-line; Claude Code dan Codex menggunakan harness berbeda. Jumlah run-task dan split 152 tugas ditampilkan. Tanggal snapshot upstream tidak dipublikasikan; waktu pengambilan ditampilkan secara terpisah. Claude Code dan Codex hanya diperingkat dalam kelompok perbandingan masing-masing.
- Terpisah
- Terpisah
- Tugas dijalankan / total tugas
- Tugas berbeda dengan run yang dipublikasikan / semua 152 tugas dalam split penuh. Tingkat kelulusan menggunakan split penuh sebagai penyebutnya; tugas yang belum dijalankan tidak dihitung sebagai lulus.