Sammenligning av AI-modellers kapabiliteter
Vitenskap og matematikk
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 |
|---|---|---|---|---|
| 1 |  Claude Opus 5.5 | 73.1Claude Opus 5.5 | 69.6Claude Opus 5.5 | 63.3Claude Opus 5.5 |
| 2 |  GPT-6 Astra | 85.4GPT-6 Astra | 72GPT-6 Astra | 68.1GPT-6 Astra |
| 3 | GPT-6.1 Sol | — | — | — |
| 4 | Claude Fable 5.1 | 68.6Claude Fable 5.1 | 65.6Claude Fable 5.1 | 52.6Claude Fable 5.1 |
| 5 |  Gemini 4 Argon | 88.8Gemini 4 Argon | 76Gemini 4 Argon | 57.6Gemini 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 ↗
LABBench 2 · Source date unknown
RiemannBench · Source date unknown
Terminal-Bench Science 0.1 · 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.
- LABBench 2Laboratoriebenchmark 2
- Tester biologiske forskningsoppgaver, inkludert vitenskapelig informasjon og dataanalyse. Resultatene avhenger av verktøyene som er tilgjengelige under evalueringen. Evalueringsmetodikk ↗
- RiemannBenchRiemann matematikkbenchmark
- Tester matematikkoppgaver på forskningsnivå utover vanlige konkurranseoppgaver. Poengsummene gjenspeiler ytelse på benchmarken snarere enn generell matematisk mestring. Evalueringsmetodikk ↗
- Terminal-Bench Science 0.1Vitenskapelig terminal-benchmark 0.1
- Tester vitenskapelige forskningsarbeidsflyter som utføres gjennom terminalverktøy. Versjon 0.1 er atskilt fra det generelle Terminal-Bench-oppgavesettet. 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.