Сравнение возможностей ИИ-моделей
Агентное программирование
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.
| № | Модель | 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 | 74.2Claude Opus 5.5 | 62.3Claude Opus 5.5 | 66.4Claude Opus 5.5 | 90.3Claude Opus 5.5 |
| 2 |  GPT-6 Astra | 74.1GPT-6 Astra | 65.5GPT-6 Astra | 58.2GPT-6 Astra | 89.6GPT-6 Astra |
| 3 | GPT-6.1 Sol | — | — | — | — |
| 4 | Claude Fable 5.1 | 67.4Claude Fable 5.1 | 56.3Claude Fable 5.1 | 57.9Claude Fable 5.1 | 90.3Claude Fable 5.1 |
| 5 |  Gemini 4 Argon | 77.9Gemini 4 Argon | 55Gemini 4 Argon | 57.4Gemini 4 Argon | 91.9Gemini 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)
Источник: Google DeepMind (model card) ↗
Карточка модели Google: результаты издателя и переопубликованные оценки третьих сторон по состоянию на октябрь 2026 года. См. методологию для настроек оценки; не все из них являются независимыми оценками. Методология оценки ↗
DeepSWE v1.1 · Source date unknown
FrontierSWE v2 · Source date unknown
Terminal-bench 4.0 · Source date unknown
Vibe Code Bench · Source date unknown
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.
- DeepSWE v1.1Программная инженерия DeepSWE v1.1
- Проверяет долгосрочные задачи по разработке ПО на оригинальных заданиях; успех оценивается по требованиям задания. Сравнивайте одну и ту же версию бенчмарка и конфигурацию агента. Методология оценки ↗
- FrontierSWE v2Программная инженерия FrontierSWE v2
- Проверяет сложные инженерные и технические исследовательские задачи. Оценки отражают опубликованную оценку заданий; версия и конфигурация агента влияют на сопоставимость. Методология оценки ↗
- Terminal-bench 4.0Бенчмарк терминала 4.0
- Проверяет выполнение практических задач в терминальной среде, таких как программирование и системные операции. Версии используют разные наборы задач, и их следует сравнивать отдельно. Методология оценки ↗
- Vibe Code BenchБенчмарк вайб-кодинга
- Проверяет создание веб-приложений по запросам на естественном языке, оценивая получившееся приложение, а не отдельные ответы с кодом. Методология оценки ↗
Читайте оценки в пределах одного бенчмарка, источника и версии. Более высокие значения указывают на более сильную производительность по указанной метрике, но разные столбцы не имеют общей шкалы.