Perbandingan Kemampuan Model AI
Konteks panjang
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 |
|---|---|---|---|
| 1 |  Claude Opus 5.5 | 66.8256k to 1M, BFS (F1)Claude Opus 5.5 | 90.6Up to 128k, BFS (F1)Claude Opus 5.5 |
| 2 |  GPT-6 Astra | 71.8256k to 1M, BFS (F1)GPT-6 Astra | 98.7Up to 128k, BFS (F1)GPT-6 Astra |
| 3 | GPT-6.1 Sol | — | — |
| 4 | Claude Fable 5.1 | 65256k to 1M, BFS (F1)Claude Fable 5.1 | 91.4Up to 128k, BFS (F1)Claude Fable 5.1 |
| 5 |  Gemini 4 Argon | 84.2256k to 1M, BFS (F1)Gemini 4 Argon | 99.7Up to 128k, BFS (F1)Gemini 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 ↗
GraphWalks — 256k to 1M, BFS (F1) · Source date unknown
GraphWalks — Up to 128k, BFS (F1) · 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.
- GraphWalks — 256k to 1M, BFS (F1)Penelusuran graf — 256k hingga 1M, pencarian breadth-first (F1)
- Menguji penelusuran graf breadth-first dalam konteks dari 256k hingga 1M token. F1 menyeimbangkan presisi dan recall; ini adalah rentang panjang yang terpisah dari kolom 128k. Metodologi evaluasi ↗
- GraphWalks — Up to 128k, BFS (F1)Penelusuran graf — hingga 128k, pencarian breadth-first (F1)
- Menguji penelusuran graf breadth-first menggunakan konteks hingga 128k token. F1 menyeimbangkan presisi dan recall dari himpunan node yang dikembalikan. 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.