Sammenligning av AI-modellers kapabiliteter
Datamaskinbruk
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.
ALE-V1 · full · max · Codex
— means no published score for this candidate in this source, not zero.3/11 recent-year models have scores
| Nr. | Modell | Agentmotor | Resonneringsinnsats | Splitt | Kjørte oppgaver / totale oppgaver | ||
|---|---|---|---|---|---|---|---|
| 1 |  GPT-6 Astragpt-6-astra | Codex | max | 34.21% | 59.26% | full | 151 / 152 |
| 2 | GPT-6 Solgpt-6-sol | Codex | max | 31.58% | 58.57% | full | 151 / 152 |
| 3 | GPT-6 Lunagpt-6-luna | Codex | max | 25% | 50.89% | full | 150 / 152 |
ALE · profesjonelle arbeidsflyter
Kilde: Agents’ Last Exam ↗ · CC BY 4.0 · Hentet 21. okt. 2026, 06:00 UTC
ALE-V1 · full · max · Codex · 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.
- Agentmotor
- Codex
- Resonneringsinnsats
- max
- Poeng
- ALE-V1 full split, maksimal resonneringsinnsats: prosentandel av alle 152 oppgaver som får full uttelling. Antall kjøringsoppgaver kan være under 152. Profesjonelle arbeidsflyter tillater GUI- og kommandolinjeverktøy; Claude Code og Codex bruker ulike harnesser. Dette er ikke en sammenligning kun for GUI. Ingen oppstrøms snapshot-dato er publisert; hentetiden vises separat. Claude Code og Codex rangeres bare innenfor sine separate sammenligningsgrupper. Evalueringsmetodikk ↗
- Delvis poengsum
- ALE-V1 full splitt, maksimal resonneringsinnsats: den publiserte gjennomsnittlige deloppgavescoren, konvertert fra 0–1 til en prosentandel. Dette er ikke beståelsesraten for hele oppgaven. Profesjonelle arbeidsflyter tillater GUI- og kommandolinjeverktøy; Claude Code og Codex bruker forskjellige harnesses. Antall kjøringer per oppgave og 152-oppgavesplitten vises. Ingen dato for oppstrømsøyeblikksbilde er publisert; hentetidspunktet vises separat. Claude Code og Codex rangeres bare innenfor sine egne sammenligningsgrupper.
- Splitt
- Splitt
- Kjørte oppgaver / totale oppgaver
- Unike oppgaver med en publisert kjøring / alle 152 oppgavene i hele splitten. Beståttsraten bruker hele splitten som nevner; oppgaver som ikke er kjørt, telles ikke som bestått.