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.
— 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 | 42.5ScoreClaude Opus 5.5 | 3.8Claude Opus 5.5 | 58.6Claude Opus 5.5 | 67Claude Opus 5.5 |
| 2 |  GPT-6 Astra | 41.4ScoreGPT-6 Astra | 5.4GPT-6 Astra | 53.5GPT-6 Astra | 63.1GPT-6 Astra |
| 3 | GPT-6.1 Sol | — | — | — | — |
| 4 | Claude Fable 5.1 | 31.4ScoreClaude Fable 5.1 | 6.7Claude Fable 5.1 | 58.9Claude Fable 5.1 | 65.8Claude Fable 5.1 |
| 5 |  Gemini 4 Argon | 51.3ScoreGemini 4 Argon | 19.6Gemini 4 Argon | 65.4Gemini 4 Argon | 68.9Gemini 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 ↗
AutomationBench — Score · Source date unknown
Harvey's Legal Agent Benchmark · Source date unknown
Vals Finance Agent v2 · Source date unknown
Vals Index · 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.
- AutomationBench — ScoreAutomatiseringsbenchmark — poengsum
- Tester hvorvidt en agent fullfører forretningsarbeidsflyter på tvers av flere applikasjoner. Offisielle poengsummer bruker et privat oppgavesett og sjekker sluttilstanden til arbeidsflyten. 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 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 ↗
- 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 ↗
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.