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.
— 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 | 42.5ScoreClaude Opus 5.5 | 3.8Claude Opus 5.5 | 58.6Claude Opus 5.5 | 67Claude Opus 5.5 |
| 2 |  GPT-6 Astra | 41.4ScoreGPT-6 Astra | 5.4GPT-6 Astra | 53.5GPT-6 Astra | 63.1GPT-6 Astra |
| 3 | GPT-6.1 Sol | — | — | — | — |
| 4 | Claude Fable 5.1 | 31.4ScoreClaude Fable 5.1 | 6.7Claude Fable 5.1 | 58.9Claude Fable 5.1 | 65.8Claude Fable 5.1 |
| 5 |  Gemini 4 Argon | 51.3ScoreGemini 4 Argon | 19.6Gemini 4 Argon | 65.4Gemini 4 Argon | 68.9Gemini 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 ↗
AutomationBench — Score · Source date unknown
Harvey's Legal Agent Benchmark · Source date unknown
Vals Finance Agent v2 · Source date unknown
Vals Index · 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.
- AutomationBench — ScoreБенчмарк автоматизации — оценка
- Проверяет, выполняет ли агент бизнес-процессы в нескольких приложениях. Официальные оценки используют закрытый набор задач и проверяют итоговое состояние рабочего процесса. 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 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 ↗
- 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 ↗
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.