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.
Vals Finance Agent v2Agent financiar Vals v2
— means no published score for this candidate in this source, not zero.10/11 recent-year models have scores
| Nr. | Model | Cost / TestCost pe test | Input costPreț de intrare per milion de token | Output costPreț de ieșire per milion de token | DurationDurata raportată a testului | |
|---|---|---|---|---|---|---|
| 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 |
Benchmarkuri Vals.ai
Sursă: Vals.ai ↗ · Actualizat 2026-10-19
Vals Finance Agent v2 · Actualizat 2026-10-18
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.
- Cost / Test
- Cost pe test · USD
- Input cost
- Preț de intrare per milion de token · USD / 1M tokens
- Output cost
- Preț de ieșire per milion de token · USD / 1M tokens
- Duration
- Durata raportată a testului · s / min
- Vals.ai
- Costurile și timpii sunt raportate de Vals pentru acest benchmark, nu sunt prețuri sau latențe universale ale modelului. Costul API estimat pentru CUA-bench acoperă utilizarea în evaluare și este o estimare inferioară, nu costul per sarcină; timpul per acțiune este o medie, nu o mediană. Un asterisc marchează comportamentul prompt-cache din ziua lansării care a crescut costurile de scriere în cache. Valorile lipsă sunt nepublicate, nu zero.
- 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 ↗
- 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 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 ↗
- LegalBenchBenchmark de raționament juridic
- Testează înțelegerea și raționamentul pe texte juridice, inclusiv identificarea problemelor juridice, reamintirea și aplicarea regulilor și evaluarea concluziilor juridice. Scorul este acuratețea la întrebările de raționament juridic; un scor mai mare este mai bun. Spre deosebire de Harvey's Legal Agent Benchmark, nu măsoară un agent care produce produse de muncă juridică în mai mulți pași prin editarea fișierelor. Metodologie de evaluare ↗