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 | 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 | 73.1Claude Opus 5.5 | 69.6Claude Opus 5.5 | 63.3Claude Opus 5.5 |
| 2 |  GPT-6 Astra | 85.4GPT-6 Astra | 72GPT-6 Astra | 68.1GPT-6 Astra |
| 3 | GPT-6.1 Sol | — | — | — |
| 4 | Claude Fable 5.1 | 68.6Claude Fable 5.1 | 65.6Claude Fable 5.1 | 52.6Claude Fable 5.1 |
| 5 |  Gemini 4 Argon | 88.8Gemini 4 Argon | 76Gemini 4 Argon | 57.6Gemini 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 ↗
LABBench 2 · Source date unknown
RiemannBench · Source date unknown
Terminal-Bench Science 0.1 · 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.
- LABBench 2Benchmark de laborator 2
- Testează sarcini de cercetare în biologie, inclusiv informații științifice și analiză de date. Rezultatele depind de instrumentele disponibile în timpul evaluării. Metodologie de evaluare ↗
- RiemannBenchBenchmark de matematică Riemann
- Testează probleme de matematică de nivel de cercetare, dincolo de exercițiile obișnuite de competiție. Scorurile reflectă performanța pe benchmark, nu stăpânirea matematică generală. Metodologie de evaluare ↗
- Terminal-Bench Science 0.1Benchmark terminal științific 0.1
- Testează fluxuri de lucru de cercetare științifică desfășurate prin instrumente de terminal. Versiunea 0.1 este separată de setul general de sarcini Terminal-Bench. 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.