AI-modellers kapacitetsjämförelse
Kunskapsarbete
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.
LegalBenchBenchmark för juridiskt resonemang
— means no published score for this candidate in this source, not zero.3/11 recent-year models have scores
| Nr. | Modell | Input costIndatapris per miljon token | Output costPris för utdata per miljon tokens | LatencyRapporterad latens | |
|---|---|---|---|---|---|
| 1 |  Claude Fable 5.1Claude Fable 5.1 | 88.51 | $10 | $50 | 12.4 s |
| 2 |  Gemini 4 ArgonGemini 4 Argon | 88.3 | $4 | $20 | 12.62 s |
| 3 | Claude Opus 5Claude Opus 5 | 86.97 | $5 | $25 | 4.42 s |
PandaNpc Uppdaterad 21 okt. 2026 06:01 UTC
Källa: Epoch AI, CC BY 4.0 · Vals.ai · Artificial Analysis (artificialanalysis.ai)
Kolumnvägledning
- Nr.
- Endast visningsordning. Sortering ändrar detta nummer; det är inte en publicerad kapacitetsrankning.
- Modell
- Det utvärderade modellnamnet och dess leverantörsikon. Ett streck i en poängkolumn betyder att ingen publicerad poäng finns här, inte en nolla.
- Input cost
- Indatapris per miljon token · USD / 1M tokens
- Output cost
- Pris för utdata per miljon tokens · USD / 1M tokens
- Latency
- Rapporterad latens · s / min
- Vals.ai
- Kostnader och tider rapporteras av Vals för detta benchmark, inte universella modellpriser eller latens. Den uppskattade API-kostnaden för CUA-bench täcker utvärderingsanvändning och är en uppskattning av nedre gränsen, inte kostnad per uppgift; tid per åtgärd är ett genomsnitt, inte en median. En asterisk markerar prompt-cache-beteende på lanseringsdagen som ökade kostnaderna för cache-skrivningar. Saknade värden är opublicerade, inte noll.
- Vals Finance Agent v2Vals finansagent v2
- Testar finansiell analys med sökning, finansiella rapporter och beräkningsverktyg, inklusive dataverifiering mellan dokument, jämförelser av företagsprestanda och värdering. Huvudmetriken är Partial Credit, genomsnitt över tre körningar: svarskontroller får allvarlighetsbaserade vikter, och ett kritiskt dealbreaker-fel gör att den frågan får noll poäng. Högre är bättre. Detta skiljer sig från den separata metriken All-Pass och är inte godkännandegraden för hela frågan. Utvärderingsmetodik ↗
- Harvey's Legal Agent BenchmarkHarvey juridisk agentbenchmark
- Testar agenter som läser och redigerar filer för att producera juridiska arbetsprodukter i flera steg. En uppgift godkänns endast när varje bedömningskrav är uppfyllt. Poängen är den genomsnittliga uppgiftsgodkännandegraden från två bedömare; högre är bättre. Det är inte procentandelen enskilda kriterier som godkänts, och det mäter juridiska agentarbetsflöden snarare än LegalBenchs juridiska resonemangsfrågor. Utvärderingsmetodik ↗
- Vals IndexVals sammansatt index
- Ett sammansatt index över professionella uppgifter inom områden som finans, kodning och juridik. Dess procentuella poäng kombinerar benchmarkresultat med viktningsmetoden för den publicerade versionen; högre innebär starkare övergripande prestanda, inte träffsäkerheten för en enskild uppgift. Ingående domäner och vikter ändras mellan versioner, så nyare metodik får inte tillämpas retroaktivt på äldre poängögonblicksbilder. Utvärderingsmetodik ↗
- LegalBenchBenchmark för juridiskt resonemang
- Testar förståelse och resonemang kring juridisk text, inklusive att identifiera juridiska frågor, minnas och tillämpa regler samt bedöma juridiska slutsatser. Poängen är träffsäkerhet på juridiska resonemangsfrågor; högre är bättre. Till skillnad från Harvey's Legal Agent Benchmark mäter det inte en agent som producerar juridiska arbetsprodukter i flera steg genom att redigera filer. Utvärderingsmetodik ↗