Comparație a capabilităților modelelor AI
Programare agentică
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)
Sursă: Google DeepMind (model card) ↗
Fișa modelului Google: rezultatele publicatorului și scoruri ale terților republicate, din octombrie 2026. Vezi metodologia pentru setările de evaluare; acestea nu sunt toate evaluări independente. Metodologie de evaluare ↗
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 Actualizat 21 oct. 2026, 06:01 UTC
Sursă: Epoch AI, CC BY 4.0 · Vals.ai · Artificial Analysis (artificialanalysis.ai)
Ghid pentru coloane
- Nr.
- Numai ordinea de afișare. Sortarea modifică acest număr; nu este un rang publicat de capacitate.
- Model
- Numele modelului evaluat și pictograma furnizorului său. O liniuță într-o coloană de scor înseamnă că nu există un scor publicat disponibil aici, nu un zero.
- DeepSWE v1.1Inginerie software DeepSWE v1.1
- Testează inginerie software pe orizont lung pentru sarcini originale, cu succes verificat față de cerințele sarcinii. Comparați aceeași versiune de benchmark și aceeași configurație de agent. Metodologie de evaluare ↗
- FrontierSWE v2Inginerie software FrontierSWE v2
- Testează sarcini dificile de inginerie și cercetare tehnică. Scorurile reflectă evaluarea publicată a sarcinilor, versiunea și configurația de agent afectând comparabilitatea. Metodologie de evaluare ↗
- Terminal-bench 4.0Benchmark terminal 4.0
- Testează finalizarea sarcinilor practice într-un mediu de terminal, precum programare și operațiuni de sistem. Versiunile folosesc seturi diferite de sarcini și ar trebui comparate separat. Metodologie de evaluare ↗
- Vibe Code BenchBenchmark de vibe coding
- Testează construirea de aplicații web din cereri în limbaj natural, evaluând aplicația rezultată, nu răspunsuri izolate de cod. Metodologie de evaluare ↗
Citiți scorurile în cadrul aceluiași benchmark, sursă și versiune. Valorile mai mari indică performanță mai puternică la metrica raportată, dar coloanele diferite nu au o scală comună.