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.
Agent's Last Exam — Pass rateExamen final agent — rată de promovare
— means no published score for this candidate in this source, not zero.3/11 recent-year models have scores
| Nr. | Model | |
|---|---|---|
| 1 |  Gemini 4 ArgonGemini 4 Argon | 39.5Pass rate |
| 2 |  Claude Opus 5.5Claude Opus 5.5 | 38.2Pass rate |
| 3 |  GPT-6 AstraGPT-6 Astra | 34.2Pass rate |
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 ↗
Agent's Last Exam — Pass rate · 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.
- Scor
- Testează muncă profesională pe orizont lung în medii software reale. Rata de promovare numără sarcinile care îndeplinesc rezultatul cerut, nu doar progresul parțial. Metodologie de evaluare ↗
- Acoperire
- Sunt afișate doar rezultatele publicate pentru familiile de modele selectate. OSWorld 2.x, Verified și Pro furnizează în prezent configurații Claude Opus 5; aceasta nu este o acoperire completă pentru fiecare model. Windows Agent Arena, MacArena, ScreenSpot-Pro, OSWorld-Human, WebArena-Verified, VisualWebArena, Online-Mind2Web și WorkArena++ nu sunt încă integrate aici. SafeArena măsoară siguranța separat și nu este fuzionat în scorurile de finalizare a sarcinilor. Rezultatele lipsă nu sunt niciodată completate cu zero.