Comparație a capabilităților modelelor AI
Muncă de cunoaștere
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)
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 ↗
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 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.
- AutomationBench — ScoreBenchmark de automatizare — scor
- Testează dacă un agent finalizează fluxuri de lucru de business în mai multe aplicații. Scorurile oficiale folosesc un set privat de sarcini și verifică starea finală a fluxului de lucru. Metodologie de evaluare ↗
- Harvey's Legal Agent BenchmarkBenchmark pentru agent juridic Harvey
- Testează agenți care citesc și editează fișiere pentru a produce produse de muncă juridică în mai mulți pași. O sarcină trece doar când fiecare cerință de notare este îndeplinită. Scorul este rata medie de promovare a sarcinilor de la doi evaluatori; un scor mai mare este mai bun. Nu este procentul criteriilor individuale trecute și măsoară fluxurile de lucru ale agenților juridici, nu întrebările de raționament juridic din LegalBench. Metodologie de evaluare ↗
- Vals Finance Agent v2Agent financiar Vals v2
- Testează analiza financiară cu instrumente de căutare, rapoarte financiare și calcul, inclusiv verificări de date între documente, comparații ale performanței companiilor și evaluare. Metrica principală este Partial Credit, mediată pe trei rulări: verificările răspunsurilor primesc ponderi în funcție de severitate, iar o eroare critică eliminatorie face ca întrebarea respectivă să primească zero. Un scor mai mare este mai bun. Aceasta este distinctă de metrica separată All-Pass și nu este rata de promovare pe întrebare completă. Metodologie de evaluare ↗
- Vals IndexIndice compozit Vals
- Un indice compozit al sarcinilor profesionale în domenii precum finanțe, programare și drept. Scorul său procentual combină rezultatele benchmark-urilor folosind metoda de ponderare pentru versiunea publicată respectivă; un scor mai mare înseamnă performanță generală mai puternică, nu acuratețea unei singure sarcini. Domeniile și ponderile incluse se schimbă de la o versiune la alta, astfel încât metodologia mai nouă nu trebuie aplicată retroactiv unor instantanee de scor mai vechi. 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.