Porównanie możliwości modeli AI
Kodowanie agentowe
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 | Model | 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 | 74.2Claude Opus 5.5 | 62.3Claude Opus 5.5 | 66.4Claude Opus 5.5 | 90.3Claude Opus 5.5 |
| 2 |  GPT-6 Astra | 74.1GPT-6 Astra | 65.5GPT-6 Astra | 58.2GPT-6 Astra | 89.6GPT-6 Astra |
| 3 | GPT-6.1 Sol | — | — | — | — |
| 4 | Claude Fable 5.1 | 67.4Claude Fable 5.1 | 56.3Claude Fable 5.1 | 57.9Claude Fable 5.1 | 90.3Claude Fable 5.1 |
| 5 |  Gemini 4 Argon | 77.9Gemini 4 Argon | 55Gemini 4 Argon | 57.4Gemini 4 Argon | 91.9Gemini 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)
Źródło: Google DeepMind (model card) ↗
Karta modelu Google: wyniki wydawcy i ponownie opublikowane wyniki stron trzecich, stan na październik 2026. Zobacz metodykę, aby poznać ustawienia ewaluacji; nie wszystkie z nich są niezależnymi ewaluacjami. Metodologia oceny ↗
DeepSWE v1.1 · Source date unknown
FrontierSWE v2 · Source date unknown
Terminal-bench 4.0 · Source date unknown
Vibe Code Bench · Source date unknown
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.
- DeepSWE v1.1DeepSWE inżynieria oprogramowania v1.1
- Testuje długoterminową inżynierię oprogramowania na oryginalnych zadaniach, a sukces jest weryfikowany względem wymagań zadania. Porównuj tę samą wersję benchmarku i konfigurację agenta. Metodologia oceny ↗
- FrontierSWE v2FrontierSWE inżynieria oprogramowania v2
- Testuje trudne zadania inżynieryjne i badawczo-techniczne. Wyniki odzwierciedlają opublikowaną ocenę zadań, przy czym wersja i konfiguracja agenta wpływają na porównywalność. Metodologia oceny ↗
- Terminal-bench 4.0Benchmark terminala 4.0
- Testuje wykonywanie praktycznych zadań w środowisku terminala, takich jak programowanie i operacje systemowe. Poszczególne wersje używają różnych zestawów zadań i należy je porównywać osobno. Metodologia oceny ↗
- Vibe Code BenchBenchmark Vibe coding
- Testuje tworzenie aplikacji internetowych na podstawie poleceń w języku naturalnym, oceniając powstałą aplikację, a nie pojedyncze odpowiedzi w kodzie. Metodologia oceny ↗
Odczytuj wyniki w obrębie tego samego benchmarku, źródła i wersji. Wyższe wartości oznaczają lepsze wyniki w raportowanej metryce, ale różne kolumny nie mają wspólnej skali.