Comparație a capabilităților modelelor AI
Știință și matematică
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 | 10/11 recent-year models have scores | 10/11 recent-year models have scores | 10/11 recent-year models have scores | 10/11 recent-year models have scores | 9/11 recent-year models have scores | 4/11 recent-year models have scores |
|---|---|---|---|---|---|---|---|
| 1 |  Claude Opus 5.5 | 31.71maxclaude-opus-5-5_max | 91.23maxclaude-opus-5-5_max | 95maxclaude-opus-5-5_max | 100maxclaude-opus-5-5_max | 90.59maxclaude-opus-5-5_max | — |
| 2 |  GPT-6 Astra | 31.71maxgpt-6-astra_max | 93.68maxgpt-6-astra_max | 97.6highgpt-6-astra_high | 99unknowngpt-6-astra_unknown | 95.77maxgpt-6-astra_max | 54.8unknowngpt-6-astra_unknown |
| 3 | GPT-6.1 Sol | 31.71maxgpt-6.1-sol_max | 93.68maxgpt-6.1-sol_max | 100maxgpt-6.1-sol_max | 99unknowngpt-6.1-sol_unknown | 95.39maxgpt-6.1-sol_max | — |
| 4 | Claude Fable 5.1 | 31.14xhighclaude-fable-5-1_xhigh | 90.18maxclaude-fable-5-1_max | 87.8maxclaude-fable-5-1_max | 100maxclaude-fable-5-1_max | — | 46.5xhighclaude-fable-5-1_xhigh |
| 5 |  Gemini 4 Argon | 27.14highgemini-4-argon_high | 85.96highgemini-4-argon_high | 78.05highgemini-4-argon_high | 99unknowngemini-4-argon_unknown | 96.4highgemini-4-argon_high | — |
| 6 | Claude Sonnet 5.5 | 31.43maxclaude-sonnet-5-5_max | 88.77maxclaude-sonnet-5-5_max | 80.49maxclaude-sonnet-5-5_max | 100maxclaude-sonnet-5-5_max | 95.58maxclaude-sonnet-5-5_max | 46.12xhighclaude-sonnet-5-5_xhigh |
| 7 | Claude Opus 5 | 29.14maxclaude-opus-5_max | 85.61maxclaude-opus-5_max | 73.17maxclaude-opus-5_max | 99maxclaude-opus-5_max | 93.88maxclaude-opus-5_max | — |
| 8 | GPT-6 Sol | 30.86maxgpt-6-sol_max | 89.82maxgpt-6-sol_max | 90maxgpt-6-sol_max | 83unknowngpt-6-sol_unknown | 94.32maxgpt-6-sol_max | — |
| 9 | GPT-6 Luna | 19.43maxgpt-6-luna_max | 78.95maxgpt-6-luna_max | 56.1maxgpt-6-luna_max | 64unknowngpt-6-luna_unknown | 90.47maxgpt-6-luna_max | — |
| 10 | Claude Haiku 5.5 | 22.57xhighclaude-haiku-5-5_xhigh | 75.09maxclaude-haiku-5-5_max | 46.34maxclaude-haiku-5-5_max | 89maxclaude-haiku-5-5_max | 89.65maxclaude-haiku-5-5_max | 30.12unknownclaude-haiku-5-5_unknown |
| 11 | Claude Mythos Preview | — | — | — | — | — | — |
Benchmark-uri Epoch AI
Sursă: Epoch AI, CC BY 4.0 ↗ · Actualizat 2026-10-15
CritPt · Actualizat 2026-10-15
FrontierMath Tiers 1-3 · Actualizat 2026-10-15
FrontierMath Tier 4 · Actualizat 2026-10-15
ProofBench · Actualizat 2026-10-12
GPQA Diamond · Actualizat 2026-10-15
Humanity's Last Exam · Actualizat 2026-10-07
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.
- CritPtProbleme de fizică de nivel cercetare
- Testează raționamentul pe probleme de fizică nepublicate la nivel de cercetare din domenii ale fizicii moderne. Metodologie de evaluare ↗
- FrontierMath Tiers 1-3Matematică de frontieră — nivelurile 1-3
- Testează probleme originale de matematică provocatoare pentru tiers 1–3. Aceste scoruri nu trebuie combinate cu tier 4, mai dificil. Metodologie de evaluare ↗
- FrontierMath Tier 4Matematică de frontieră — nivelul 4
- Testează cel mai dificil tier al problemelor de cercetare FrontierMath, separat de tiers 1–3. Metodologie de evaluare ↗
- ProofBenchBenchmark de demonstrații matematice formale
- Testează producerea de demonstrații matematice care pot fi verificate de un verificator formal. Metodologie de evaluare ↗
- GPQA DiamondRăspuns la întrebări de nivel postuniversitar — Diamond
- Testează întrebări științifice dificile de nivel postuniversitar care necesită cunoștințe de specialitate și raționament. Metodologie de evaluare ↗
- Humanity's Last ExamExamen final Humanity
- Testează întrebări dificile de nivel expert din multe discipline academice. Este un benchmark de tip întrebare-răspuns, distinct de Agents' Last Exam. 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.