Porównanie możliwości modeli AI
Praca z wiedzą
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.
Vals IndexVals — indeks złożony
— means no published score for this candidate in this source, not zero.7/11 recent-year models have scores
| Nr | Model | Cost / TestKoszt na test | Input costCena za milion tokenów wejściowych | Output costCena za milion tokenów wyjściowych | DurationZgłoszony czas testu | Input / Output TokensZgłoszone użycie tokenów wejściowych / wyjściowych | |
|---|---|---|---|---|---|---|---|
| 1 |  Claude Sonnet 5.5Claude Sonnet 5.5 | 70.85 | $18.7 | $2 | $10 | 86 min | 45.09B / 654.94M |
| 2 | Claude Opus 5.5Claude Opus 5.5 | 70.18 | $28.12 | $4 | $20 | 85 min | 31.96B / 499.75M |
| 3 |  Gemini 4 ArgonGemini 4 Argon | 69.24 | $13.37 | $4 | $20 | 44.97 min | 13.36B / 146.17M |
| 4 |  GPT-6 AstraGPT-6 Astra | 65.02 | $21.28 | $10 | $50 | 33.65 min | 4.92B / 96.77M |
| 5 | GPT-6.1 SolGPT-6.1 Sol | 63.94 | $3.61 | $2 | $10 | 44.4 min | 5.49B / 103.20M |
| 6 | Claude Haiku 5.5Claude Haiku 5.5 | 58.71 | $3.17 | $0.1 | $0.5 | 49.8 min | 23.07B / 765.85M |
| 7 | GPT-6 LunaGPT-6 Luna | 52.32 | $0.45 | $0.1 | $0.5 | 32.38 min | 10.05B / 202.17M |
PandaNpc Aktualizacja 21 paź 2026, 06:01 UTC
Źródło: Epoch AI, CC BY 4.0 · Vals.ai · Artificial Analysis (artificialanalysis.ai)
Przewodnik po kolumnach
- Nr
- Tylko kolejność wyświetlania. Sortowanie zmienia ten numer; nie jest to opublikowana pozycja w rankingu możliwości.
- Model
- Nazwa ocenianego modelu i ikona jego dostawcy. Myślnik w kolumnie z wynikiem oznacza brak opublikowanego wyniku w tym miejscu, a nie zero.
- Cost / Test
- Koszt na test · USD
- Input cost
- Cena za milion tokenów wejściowych · USD / 1M tokens
- Output cost
- Cena za milion tokenów wyjściowych · USD / 1M tokens
- Duration
- Zgłoszony czas testu · s / min
- Input / Output Tokens
- Zgłoszone użycie tokenów wejściowych / wyjściowych · tokens
- Vals.ai
- Koszty i czasy są podawane przez Vals dla tego benchmarku, a nie są uniwersalnymi cenami modeli ani opóźnieniem. Szacowany koszt API CUA-bench obejmuje użycie w ewaluacji i jest szacunkiem dolnym, a nie kosztem na zadanie; czas na akcję to średnia, a nie mediana. Gwiazdka oznacza zachowanie pamięci podręcznej promptów w dniu premiery, które zwiększyło koszty zapisu do pamięci podręcznej. Brakujące wartości są niepublikowane, a nie zerowe.
- Vals Finance Agent v2Agent finansowy Vals v2
- Testuje analizę finansową z użyciem wyszukiwania, raportów finansowych i narzędzi obliczeniowych, w tym sprawdzania danych między dokumentami, porównywania wyników firm i wyceny. Główną metryką jest Partial Credit, uśredniany z trzech przebiegów: sprawdzenia odpowiedzi otrzymują wagi oparte na istotności, a krytyczny błąd typu dealbreaker sprawia, że to pytanie otrzymuje zero punktów. Wyższy wynik jest lepszy. Różni się od osobnej metryki All-Pass i nie jest wskaźnikiem zaliczenia całego pytania. Metodologia oceny ↗
- Harvey's Legal Agent BenchmarkBenchmark agenta prawnego Harvey
- Testuje agentów czytających i edytujących pliki w celu tworzenia wieloetapowych prawniczych produktów pracy. Zadanie zostaje zaliczone tylko wtedy, gdy spełnione są wszystkie wymagania oceniania. Wynik to średni wskaźnik zaliczenia zadań od dwóch sędziów; wyższy jest lepszy. Nie jest to odsetek zaliczonych pojedynczych kryteriów; mierzy przepływy pracy agentów prawnych, a nie pytania LegalBench dotyczące rozumowania prawnego. Metodologia oceny ↗
- Vals IndexVals — indeks złożony
- Złożony indeks zadań profesjonalnych w obszarach takich jak finanse, programowanie i prawo. Jego wynik procentowy łączy wyniki benchmarków przy użyciu metody ważenia dla danej opublikowanej wersji; wyższy oznacza silniejszą ogólną wydajność, a nie dokładność pojedynczego zadania. Uwzględniane domeny i wagi zmieniają się między wersjami, więc nowszej metodologii nie należy stosować wstecz do starszych migawek wyników. Metodologia oceny ↗
- LegalBenchBenchmark rozumowania prawnego
- Testuje rozumienie i rozumowanie na tekście prawnym, w tym identyfikowanie problemów prawnych, przywoływanie i stosowanie reguł oraz ocenę wniosków prawnych. Wynik to dokładność w pytaniach z rozumowania prawnego; wyższy jest lepszy. W odróżnieniu od Harvey's Legal Agent Benchmark nie mierzy agenta tworzącego wieloetapowe prawnicze produkty pracy poprzez edycję plików. Metodologia oceny ↗