Sammenligning av AI-modellers kapabiliteter
Agentisk koding
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.
| Nr. | Modell | 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 | 74.2Claude Opus 5.5 | 62.3Claude Opus 5.5 | 66.4Claude Opus 5.5 | 90.3Claude Opus 5.5 |
| 2 |  GPT-6 Astra | 74.1GPT-6 Astra | 65.5GPT-6 Astra | 58.2GPT-6 Astra | 89.6GPT-6 Astra |
| 3 | GPT-6.1 Sol | — | — | — | — |
| 4 | Claude Fable 5.1 | 67.4Claude Fable 5.1 | 56.3Claude Fable 5.1 | 57.9Claude Fable 5.1 | 90.3Claude Fable 5.1 |
| 5 |  Gemini 4 Argon | 77.9Gemini 4 Argon | 55Gemini 4 Argon | 57.4Gemini 4 Argon | 91.9Gemini 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)
Kilde: Google DeepMind (model card) ↗
Google-modellkort: utgiverens resultater og gjenpubliserte tredjepartsscorer, per oktober 2026. Se metodikk for evalueringsinnstillinger; disse er ikke alle uavhengige evalueringer. Evalueringsmetodikk ↗
DeepSWE v1.1 · Source date unknown
FrontierSWE v2 · Source date unknown
Terminal-bench 4.0 · Source date unknown
Vibe Code Bench · Source date unknown
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.
- DeepSWE v1.1DeepSWE programvareutvikling v1.1
- Tester langhorisont programvareutvikling på originale oppgaver, der suksess kontrolleres mot oppgavekravene. Sammenlign samme benchmarkversjon og agentoppsett. Evalueringsmetodikk ↗
- FrontierSWE v2FrontierSWE programvareutvikling v2
- Tester vanskelige ingeniørfaglige og teknisk forskningsoppgaver. Poengsummene gjenspeiler den publiserte oppgaveevalueringen, der versjon og agentoppsett påvirker sammenlignbarheten. Evalueringsmetodikk ↗
- Terminal-bench 4.0Terminal-benchmark 4.0
- Tester fullføring av praktiske oppgaver i et terminalmiljø, som koding og systemdrift. Versjoner bruker ulike oppgavesett og bør sammenlignes separat. Evalueringsmetodikk ↗
- Vibe Code BenchVibe-koding-benchmark
- Tester bygging av nettapplikasjoner fra forespørsler i naturlig språk, og evaluerer den resulterende applikasjonen i stedet for isolerte kodesvar. Evalueringsmetodikk ↗
Les poengsummer innenfor samme benchmark, kilde og versjon. Høyere verdier indikerer sterkere ytelse på den rapporterte metrikken, men ulike kolonner deler ikke en felles skala.