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.

Agent's Last Exam — Pass rateAgentens avsluttende eksamen — beståttprosent

— means no published score for this candidate in this source, not zero.3/11 recent-year models have scores

Nr.	Modell
1	Gemini 4 ArgonGemini 4 Argon	39.5Pass rate
2	Claude Opus 5.5Claude Opus 5.5	38.2Pass rate
3	GPT-6 AstraGPT-6 Astra	34.2Pass rate

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 ↗

Agent's Last Exam — Pass rate · 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.
Poeng: Tester profesjonelt arbeid over lang horisont i virkelige programvaremiljøer. Beståttprosenten teller oppgaver som oppnår det påkrevde resultatet, ikke bare delvis fremgang. Evalueringsmetodikk ↗
Dekning: Bare publiserte resultater for de valgte modellfamiliene vises. OSWorld 2.x, Verified og Pro tilbyr for tiden Claude Opus 5-konfigurasjoner; dette er ikke fullstendig dekning av alle modeller. Windows Agent Arena, MacArena, ScreenSpot-Pro, OSWorld-Human, WebArena-Verified, VisualWebArena, Online-Mind2Web og WorkArena++ er ennå ikke integrert her. SafeArena måler sikkerhet separat og slås ikke sammen med oppgavefullføringsscorene. Manglende resultater fylles aldri ut med null.