Perbandingan Kemampuan Model AI
Pekerjaan pengetahuan
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 | 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)
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 ↗
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 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.
- AutomationBench — ScoreBenchmark otomasi — skor
- Menguji apakah agen menyelesaikan alur kerja bisnis di berbagai aplikasi. Skor resmi menggunakan kumpulan tugas privat dan memeriksa status akhir alur kerja. Metodologi evaluasi ↗
- Harvey's Legal Agent BenchmarkBenchmark agen hukum Harvey
- Menguji agen dalam membaca dan menyunting file untuk menghasilkan produk kerja hukum multi-langkah. Suatu tugas dinyatakan lulus hanya jika setiap persyaratan penilaian terpenuhi. Skornya adalah rata-rata tingkat kelulusan tugas dari dua penilai; semakin tinggi semakin baik. Ini bukan persentase kriteria individual yang lulus, dan mengukur alur kerja agen hukum, bukan pertanyaan penalaran hukum LegalBench. Metodologi evaluasi ↗
- Vals Finance Agent v2Agen keuangan Vals v2
- Menguji analisis keuangan dengan alat pencarian, laporan keuangan, dan kalkulasi, termasuk pemeriksaan data lintas dokumen, perbandingan kinerja perusahaan, dan valuasi. Metrik utamanya adalah Partial Credit, dirata-ratakan dari tiga kali percobaan: pemeriksaan jawaban menerima bobot berdasarkan tingkat keparahan, dan kesalahan dealbreaker yang kritis membuat pertanyaan tersebut bernilai nol. Semakin tinggi semakin baik. Ini berbeda dari metrik All-Pass yang terpisah dan bukan tingkat kelulusan seluruh pertanyaan. Metodologi evaluasi ↗
- Vals IndexIndeks komposit Vals
- Indeks komposit untuk tugas profesional di bidang seperti keuangan, pemrograman, dan hukum. Skor persentasenya menggabungkan hasil benchmark menggunakan metode pembobotan untuk versi terbitan tersebut; semakin tinggi berarti performa keseluruhan yang lebih kuat, bukan akurasi satu tugas. Domain dan bobot yang disertakan berubah antar versi, sehingga metodologi yang lebih baru tidak boleh diterapkan secara retrospektif pada snapshot skor yang lebih lama. 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.