AI-modellers kapacitetsjämförelse
Agentisk kodning
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. | Modell | 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)
Källa: Google DeepMind (model card) ↗
Googles modellkort: utgivarens resultat och återpublicerade poäng från tredje part, per oktober 2026. Se metodik för utvärderingsinställningar; dessa är inte alla oberoende utvärderingar. Utvärderingsmetodik ↗
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 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.
- DeepSWE v1.1DeepSWE programvaruutveckling v1.1
- Testar mjukvaruutveckling med lång horisont på ursprungliga uppgifter, där framgång kontrolleras mot uppgiftskraven. Jämför samma benchmarkversion och agentkonfiguration. Utvärderingsmetodik ↗
- FrontierSWE v2FrontierSWE programvaruutveckling v2
- Testar svåra ingenjörs- och tekniska forskningsuppgifter. Poängen återspeglar den publicerade uppgiftsutvärderingen, där version och agentkonfiguration påverkar jämförbarheten. Utvärderingsmetodik ↗
- Terminal-bench 4.0Terminalbenchmark 4.0
- Testar att slutföra praktiska uppgifter i en terminalmiljö, till exempel kodning och systemdrift. Versioner använder olika uppgiftsuppsättningar och bör jämföras separat. Utvärderingsmetodik ↗
- Vibe Code BenchVibe-kodningsbenchmark
- Testar att bygga webbapplikationer från begäranden i naturligt språk, och utvärderar den resulterande applikationen snarare än isolerade kodsvar. Utvärderingsmetodik ↗
Läs poäng inom samma benchmark, källa och version. Högre värden indikerar starkare prestanda på det rapporterade måttet, men olika kolumner delar inte en gemensam skala.