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.
— 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 | 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)
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 ↗
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 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.
- AutomationBench — ScoreBenchmark automatyzacji — wynik
- Testuje, czy agent wykonuje przepływy pracy biznesowej w wielu aplikacjach. Oficjalne wyniki wykorzystują prywatny zestaw zadań i sprawdzają końcowy stan przepływu pracy. 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 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 ↗
- 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 ↗
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.