AI-modellers kapacitetsjämförelse
Datoranvändning
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.
Agent's Last Exam — Pass rateAgent-slutexamen — godkännandegrad
— means no published score for this candidate in this source, not zero.3/11 recent-year models have scores
| Nr. | Modell | |
|---|---|---|
| 1 |  Gemini 4 ArgonGemini 4 Argon | 39.5Pass rate |
| 2 |  Claude Opus 5.5Claude Opus 5.5 | 38.2Pass rate |
| 3 |  GPT-6 AstraGPT-6 Astra | 34.2Pass rate |
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 ↗
Agent's Last Exam — Pass rate · 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.
- Poäng
- Testar långsiktigt professionellt arbete i riktiga mjukvarumiljöer. Godkännandefrekvens räknar uppgifter som uppfyller det krävda resultatet, inte bara delvisa framsteg. Utvärderingsmetodik ↗
- Täckning
- Endast publicerade resultat för de valda modellfamiljerna visas. OSWorld 2.x, Verified och Pro tillhandahåller för närvarande Claude Opus 5-konfigurationer; detta är inte fullständig täckning av alla modeller. Windows Agent Arena, MacArena, ScreenSpot-Pro, OSWorld-Human, WebArena-Verified, VisualWebArena, Online-Mind2Web och WorkArena++ är ännu inte integrerade här. SafeArena mäter säkerhet separat och slås inte samman med poäng för uppgiftsavslut. Saknade resultat fylls aldrig i med noll.