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.
— 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 | 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)
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 ↗
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 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.
- AutomationBench — ScoreAutomationsbenchmark — poäng
- Testar om en agent slutför affärsarbetsflöden över flera applikationer. Officiella poäng använder en privat uppgiftsuppsättning och kontrollerar arbetsflödets sluttillstånd. 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 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 ↗
- 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 ↗
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.