Comparație a capabilităților modelelor AI
Utilizare computer
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.
ALE-V1 · full · max · Codex
— means no published score for this candidate in this source, not zero.3/11 recent-year models have scores
| Nr. | Model | Motorul agentului | Efort de raționament | Divizare | Sarcini rulate / total sarcini | ||
|---|---|---|---|---|---|---|---|
| 1 |  GPT-6 Astragpt-6-astra | Codex | max | 34.21% | 59.26% | full | 151 / 152 |
| 2 | GPT-6 Solgpt-6-sol | Codex | max | 31.58% | 58.57% | full | 151 / 152 |
| 3 | GPT-6 Lunagpt-6-luna | Codex | max | 25% | 50.89% | full | 150 / 152 |
ALE · fluxuri de lucru profesionale
Sursă: Agents’ Last Exam ↗ · CC BY 4.0 · Preluat 21 oct. 2026, 06:00 UTC
ALE-V1 · full · max · Codex · 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.
- Motorul agentului
- Codex
- Efort de raționament
- max
- Scor
- ALE-V1, split complet, efort maxim de raționament: procentul tuturor celor 152 de sarcini care primesc punctaj integral. Numărul de sarcini rulate poate fi sub 152. Fluxurile de lucru profesionale permit instrumente GUI și de linie de comandă; Claude Code și Codex folosesc harness-uri diferite. Aceasta nu este o comparație doar pe GUI. Nu este publicată nicio dată de instantaneu upstream; ora de preluare este afișată separat. Claude Code și Codex sunt clasate doar în cadrul grupurilor lor separate de comparație. Metodologie de evaluare ↗
- Scor parțial
- Splitul complet ALE-V1, efort maxim de raționament: scorul mediu publicat pentru sarcini parțiale, convertit din 0–1 într-un procent. Aceasta nu este rata de reușită pentru sarcina completă. Fluxurile de lucru profesionale permit instrumente GUI și de linie de comandă; Claude Code și Codex folosesc harness-uri diferite. Sunt afișate numărul de rulări de sarcini și splitul de 152 de sarcini. Nu este publicată nicio dată de snapshot upstream; timpul de preluare este afișat separat. Claude Code și Codex sunt clasate doar în grupurile lor separate de comparație.
- Divizare
- Divizare
- Sarcini rulate / total sarcini
- Sarcini distincte cu o rulare publicată / toate cele 152 de sarcini din diviziunea completă. Rata de reușită folosește diviziunea completă drept numitor; sarcinile nerulate nu sunt contorizate ca reușite.