Sammenligning av AI-modellers kapabiliteter
Kunnskapsarbeid
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.
LegalBenchJuridisk resonneringsbenchmark
— means no published score for this candidate in this source, not zero.3/11 recent-year models have scores
| Nr. | Modell | Input costInndatapris per million tokens | Output costPris for utdata per million tokens | LatencyRapportert latens | |
|---|---|---|---|---|---|
| 1 |  Claude Fable 5.1Claude Fable 5.1 | 88.51 | $10 | $50 | 12.4 s |
| 2 |  Gemini 4 ArgonGemini 4 Argon | 88.3 | $4 | $20 | 12.62 s |
| 3 | Claude Opus 5Claude Opus 5 | 86.97 | $5 | $25 | 4.42 s |
PandaNpc Oppdatert 21. okt. 2026, 06:01 UTC
Kilde: Epoch AI, CC BY 4.0 · Vals.ai · Artificial Analysis (artificialanalysis.ai)
Kolonneveiledning
- Nr.
- Kun visningsrekkefølge. Sortering endrer dette tallet; det er ikke en publisert kapabilitetsrangering.
- Modell
- Navnet på den evaluerte modellen og ikonet til leverandøren. En strek i en poengkolonne betyr at ingen publisert poengsum er tilgjengelig her, ikke null.
- Input cost
- Inndatapris per million tokens · USD / 1M tokens
- Output cost
- Pris for utdata per million tokens · USD / 1M tokens
- Latency
- Rapportert latens · s / min
- Vals.ai
- Kostnader og tider rapporteres av Vals for denne benchmarken, ikke universelle modellpriser eller latens. Estimert API-kostnad for CUA-bench dekker evalueringsbruk og er et nedre anslag, ikke kostnad per oppgave; tid per handling er et gjennomsnitt, ikke en median. En asterisk markerer prompt-cache-atferd på lanseringsdagen som økte kostnader for cache-skriving. Manglende verdier er upubliserte, ikke null.
- Vals Finance Agent v2Vals finansagent v2
- Tester finansiell analyse med søk, finansrapporter og beregningsverktøy, inkludert datakontroller på tvers av dokumenter, sammenligninger av selskapsresultater og verdsettelse. Hovedmetrikken er Partial Credit, gjennomsnittet over tre kjøringer: svarsjekker får alvorlighetsbaserte vekter, og en kritisk dealbreaker-feil gjør at det spørsmålet får null poeng. Høyere er bedre. Dette er forskjellig fra den separate All-Pass-metrikken og er ikke beståelsesraten for hele spørsmål. Evalueringsmetodikk ↗
- Harvey's Legal Agent BenchmarkHarvey juridisk agent-benchmark
- Tester agenter som leser og redigerer filer for å produsere juridiske arbeidsprodukter i flere trinn. En oppgave består bare når alle vurderingskrav er oppfylt. Poengsummen er gjennomsnittlig oppgavebeståelsesrate fra to dommere; høyere er bedre. Det er ikke prosentandelen av enkeltkriterier som bestås, og det måler arbeidsflyter for juridiske agenter i stedet for LegalBench sine juridiske resonneringsspørsmål. Evalueringsmetodikk ↗
- Vals IndexVals sammensatt indeks
- En sammensatt indeks over profesjonelle oppgaver innen områder som finans, koding og juss. Prosentscoren kombinerer benchmarkresultater ved hjelp av vektingsmetoden for den publiserte versjonen; høyere betyr sterkere samlet ytelse, ikke nøyaktigheten til en enkelt oppgave. Inkluderte domener og vekter endres mellom versjoner, så nyere metodikk må ikke brukes retroaktivt på eldre poengsnapshots. Evalueringsmetodikk ↗
- LegalBenchJuridisk resonneringsbenchmark
- Tester forståelse og resonnering over juridisk tekst, inkludert å identifisere juridiske problemstillinger, huske og anvende regler og vurdere juridiske konklusjoner. Poengsummen er nøyaktighet på juridiske resonneringsspørsmål; høyere er bedre. I motsetning til Harvey's Legal Agent Benchmark måler det ikke en agent som produserer juridiske arbeidsprodukter i flere trinn ved å redigere filer. Evalueringsmetodikk ↗