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 Finance Agent v2Agent finansowy Vals v2
— means no published score for this candidate in this source, not zero.10/11 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 | |
|---|---|---|---|---|---|---|
| 1 |  Gemini 4 ArgonGemini 4 Argon | 65.4 | $4.38 | $4 | $20 | 16.35 min |
| 2 |  Claude Fable 5.1Claude Fable 5.1 | 58.88 | $8.35 | $10 | $50 | 18.23 min |
| 3 | Claude Opus 5Claude Opus 5 | 58.63 | $5.12 | $5 | $25 | 9.97 min |
| 4 | Claude Opus 5.5Claude Opus 5.5 | 58.59 | $9.22 | $4 | $20 | 33.13 min |
| 5 | Claude Sonnet 5.5Claude Sonnet 5.5 | 58.1 | $6.55 | $2 | $10 | 31.72 min |
| 6 | Claude Haiku 5.5Claude Haiku 5.5 | 54.14 | $1.64 | $0.1 | $0.5 | 30.82 min |
| 7 |  GPT-6 AstraGPT-6 Astra | 53.54 | $6.82 | $10 | $50 | 11.55 min |
| 8 | GPT-6.1 SolGPT-6.1 Sol | 52.03 | $1.62 | $2 | $10 | 15.42 min |
| 9 | GPT-6 LunaGPT-6 Luna | 49.87 | $0.12 | $0.1 | $0.5 | 14.97 min |
| 10 | GPT-6 SolGPT-6 Sol | 49.05 | $2.12 | $2 | $10 | 9 min |
Benchmarki Vals.ai
Źródło: Vals.ai ↗ · Aktualizacja 2026-10-19
Vals Finance Agent v2 · Aktualizacja 2026-10-18
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
- 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 ↗