การเปรียบเทียบความสามารถของโมเดล AI
การเขียนโค้ดแบบเอเจนติก
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.
| ลำดับ | โมเดล | 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)
แหล่งที่มา: Google DeepMind (model card) ↗
การ์ดโมเดลของ Google: ผลลัพธ์จากผู้เผยแพร่และคะแนนจากบุคคลที่สามที่เผยแพร่ซ้ำ ณ เดือนตุลาคม 2026 โปรดดูระเบียบวิธีสำหรับการตั้งค่าการประเมิน; สิ่งเหล่านี้ไม่ใช่การประเมินอิสระทั้งหมด ระเบียบวิธีประเมิน ↗
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 อัปเดต 21 ต.ค. 2569 06:01 UTC
แหล่งที่มา: Epoch AI, CC BY 4.0 · Vals.ai · Artificial Analysis (artificialanalysis.ai)
คำแนะนำคอลัมน์
- ลำดับ
- เป็นเพียงลำดับการแสดงผลเท่านั้น การจัดเรียงจะเปลี่ยนตัวเลขนี้ ไม่ใช่การจัดอันดับความสามารถที่เผยแพร่
- โมเดล
- ชื่อโมเดลที่ถูกประเมินและไอคอนผู้ให้บริการ เครื่องหมายขีดในคอลัมน์คะแนนหมายความว่าไม่มีคะแนนที่เผยแพร่ที่นี่ ไม่ใช่ศูนย์
- DeepSWE v1.1วิศวกรรมซอฟต์แวร์ DeepSWE v1.1
- ทดสอบวิศวกรรมซอฟต์แวร์ระยะยาวบนงานต้นฉบับ โดยตรวจสอบความสำเร็จเทียบกับข้อกำหนดของงาน เปรียบเทียบเวอร์ชันเบนช์มาร์กเดียวกันและการตั้งค่าเอเจนต์เดียวกัน ระเบียบวิธีประเมิน ↗
- FrontierSWE v2วิศวกรรมซอฟต์แวร์ FrontierSWE v2
- ทดสอบงานวิศวกรรมและงานวิจัยทางเทคนิคที่ยาก คะแนนสะท้อนการประเมินงานที่เผยแพร่ โดยเวอร์ชันและการตั้งค่าเอเจนต์มีผลต่อความสามารถในการเปรียบเทียบ ระเบียบวิธีประเมิน ↗
- Terminal-bench 4.0เบนช์มาร์กเทอร์มินัล 4.0
- ทดสอบการทำงานที่ใช้งานได้จริงในสภาพแวดล้อมเทอร์มินัล เช่น การเขียนโค้ดและการดำเนินงานระบบ เวอร์ชันต่าง ๆ ใช้ชุดงานที่แตกต่างกัน จึงควรเปรียบเทียบแยกกัน ระเบียบวิธีประเมิน ↗
- Vibe Code Benchเบนช์มาร์กการเขียนโค้ด Vibe
- ทดสอบการสร้างเว็บแอปพลิเคชันจากคำขอภาษาธรรมชาติ โดยประเมินแอปพลิเคชันที่ได้ ไม่ใช่คำตอบโค้ดแบบแยกส่วน ระเบียบวิธีประเมิน ↗
ควรอ่านคะแนนภายใน benchmark แหล่งที่มา และเวอร์ชันเดียวกัน ค่าที่สูงขึ้นบ่งบอกถึงประสิทธิภาพที่แข็งแกร่งขึ้นในเมตริกที่รายงาน แต่คอลัมน์ต่างๆ ไม่ได้ใช้มาตรวัดร่วมกัน