Сравнение возможностей ИИ-моделей
Работа со знаниями
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 IndexСводный индекс Vals
— means no published score for this candidate in this source, not zero.7/11 recent-year models have scores
| № | Модель | Cost / TestСтоимость за тест | Input costЦена ввода за миллион token | Output costЦена вывода за миллион токенов | DurationЗаявленная продолжительность теста | Input / Output TokensЗаявленное использование входных / выходных token | |
|---|---|---|---|---|---|---|---|
| 1 |  Claude Sonnet 5.5Claude Sonnet 5.5 | 70.85 | $18.7 | $2 | $10 | 86 min | 45.09B / 654.94M |
| 2 | Claude Opus 5.5Claude Opus 5.5 | 70.18 | $28.12 | $4 | $20 | 85 min | 31.96B / 499.75M |
| 3 |  Gemini 4 ArgonGemini 4 Argon | 69.24 | $13.37 | $4 | $20 | 44.97 min | 13.36B / 146.17M |
| 4 |  GPT-6 AstraGPT-6 Astra | 65.02 | $21.28 | $10 | $50 | 33.65 min | 4.92B / 96.77M |
| 5 | GPT-6.1 SolGPT-6.1 Sol | 63.94 | $3.61 | $2 | $10 | 44.4 min | 5.49B / 103.20M |
| 6 | Claude Haiku 5.5Claude Haiku 5.5 | 58.71 | $3.17 | $0.1 | $0.5 | 49.8 min | 23.07B / 765.85M |
| 7 | GPT-6 LunaGPT-6 Luna | 52.32 | $0.45 | $0.1 | $0.5 | 32.38 min | 10.05B / 202.17M |
PandaNpc Обновлено 21 окт. 2026 г., 06:01 UTC
Источник: Epoch AI, CC BY 4.0 · Vals.ai · Artificial Analysis (artificialanalysis.ai)
Пояснения к столбцам
- №
- Только порядок отображения. Сортировка меняет это число; это не опубликованный рейтинг возможностей.
- Модель
- Название оцениваемой модели и значок её провайдера. Прочерк в столбце с оценкой означает, что опубликованная оценка здесь недоступна, а не ноль.
- Cost / Test
- Стоимость за тест · USD
- Input cost
- Цена ввода за миллион token · USD / 1M tokens
- Output cost
- Цена вывода за миллион токенов · USD / 1M tokens
- Duration
- Заявленная продолжительность теста · s / min
- Input / Output Tokens
- Заявленное использование входных / выходных token · tokens
- Vals.ai
- Затраты и время для этого бенчмарка указаны Vals, а не универсальные цены на модели или задержка. Оценка стоимости API для CUA-bench покрывает использование при оценке и является оценкой снизу, а не стоимостью за задачу; время на действие — это среднее, а не медиана. Звёздочка обозначает поведение prompt-cache в день запуска, которое увеличило затраты на запись в кэш. Отсутствующие значения не опубликованы, а не равны нулю.
- Vals Finance Agent v2Финансовый агент Vals v2
- Проверяет финансовый анализ с использованием поиска, финансовых отчётов и инструментов расчёта, включая сверку данных между документами, сравнение показателей компаний и оценку стоимости. Основная метрика — Partial Credit, усреднённая по трём запускам: проверки ответов получают веса в зависимости от серьёзности, а критическая ошибка-дисквалификатор обнуляет оценку за этот вопрос. Чем выше, тем лучше. Она отличается от отдельной метрики All-Pass и не является долей вопросов, пройденных целиком. Методология оценки ↗
- Harvey's Legal Agent BenchmarkБенчмарк юридического агента Harvey
- Проверяет способность агентов читать и редактировать файлы для создания многошаговых юридических рабочих продуктов. Задача считается пройденной только при выполнении всех требований оценки. Оценка — это средняя доля успешно пройденных задач по оценкам двух судей; чем выше, тем лучше. Это не процент пройденных отдельных критериев, и она измеряет рабочие процессы юридических агентов, а не вопросы правового рассуждения из LegalBench. Методология оценки ↗
- Vals IndexСводный индекс Vals
- Составной индекс профессиональных задач в таких областях, как финансы, программирование и право. Его процентная оценка объединяет результаты бенчмарков с использованием метода взвешивания для соответствующей опубликованной версии; более высокое значение означает более высокую общую эффективность, а не точность отдельной задачи. Включаемые предметные области и веса меняются от версии к версии, поэтому более новую методологию нельзя применять задним числом к старым снимкам оценок. Методология оценки ↗
- LegalBenchБенчмарк юридических рассуждений
- Проверяет понимание и рассуждение по юридическому тексту, включая выявление правовых вопросов, воспроизведение и применение правил, а также оценку правовых выводов. Оценка — это точность ответов на вопросы правового рассуждения; чем выше, тем лучше. В отличие от Harvey's Legal Agent Benchmark, он не измеряет, как агент создаёт многошаговые юридические рабочие продукты путём редактирования файлов. Методология оценки ↗