Perbandingan Kemampuan Model AI
Sains & 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.
| No. | Model | 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)
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 ↗
LABBench 2 · Source date unknown
RiemannBench · Source date unknown
Terminal-Bench Science 0.1 · 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.
- LABBench 2Benchmark laboratorium 2
- Menguji tugas riset biologi, termasuk informasi ilmiah dan analisis data. Hasil bergantung pada alat yang tersedia selama evaluasi. Metodologi evaluasi ↗
- RiemannBenchBenchmark matematika Riemann
- Menguji masalah matematika tingkat riset di luar latihan kompetisi biasa. Skor mencerminkan performa pada benchmark alih-alih penguasaan matematika secara umum. Metodologi evaluasi ↗
- Terminal-Bench Science 0.1Benchmark terminal ilmiah 0.1
- Menguji alur kerja riset ilmiah yang dijalankan melalui alat terminal. Versi 0.1 terpisah dari kumpulan tugas Terminal-Bench umum. 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.