การเปรียบเทียบความสามารถของโมเดล AI
การใช้คอมพิวเตอร์
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.
ALE-V1 · full · max · Codex
— means no published score for this candidate in this source, not zero.3/11 recent-year models have scores
| ลำดับ | โมเดล | เอนจินเอเจนต์ | ความพยายามในการให้เหตุผล | แยก | งานที่รันแล้ว / งานทั้งหมด | ||
|---|---|---|---|---|---|---|---|
| 1 |  GPT-6 Astragpt-6-astra | Codex | max | 34.21% | 59.26% | full | 151 / 152 |
| 2 | GPT-6 Solgpt-6-sol | Codex | max | 31.58% | 58.57% | full | 151 / 152 |
| 3 | GPT-6 Lunagpt-6-luna | Codex | max | 25% | 50.89% | full | 150 / 152 |
ALE · เวิร์กโฟลว์มืออาชีพ
แหล่งที่มา: Agents’ Last Exam ↗ · CC BY 4.0 · ดึงข้อมูลแล้ว 21 ต.ค. 2569 06:00 UTC
ALE-V1 · full · max · Codex · 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
- เอนจินเอเจนต์
- Codex
- ความพยายามในการให้เหตุผล
- max
- คะแนน
- ALE-V1 ชุดเต็ม ความพยายามในการให้เหตุผลสูงสุด: เปอร์เซ็นต์ของงานทั้ง 152 งานที่ได้รับคะแนนเต็ม จำนวนงานที่รันอาจต่ำกว่า 152 เวิร์กโฟลว์ระดับมืออาชีพอนุญาตให้ใช้เครื่องมือ GUI และบรรทัดคำสั่ง Claude Code และ Codex ใช้ฮาร์เนสที่แตกต่างกัน นี่ไม่ใช่การเปรียบเทียบเฉพาะ GUI ไม่มีการเผยแพร่วันที่ snapshot ต้นทาง เวลาที่ดึงข้อมูลจะแสดงแยกต่างหาก Claude Code และ Codex ได้รับการจัดอันดับภายในกลุ่มเปรียบเทียบแยกของตนเท่านั้น ระเบียบวิธีประเมิน ↗
- คะแนนบางส่วน
- ALE-V1 full split, ความพยายามในการใช้เหตุผลสูงสุด: คะแนนเฉลี่ยของงานบางส่วนที่เผยแพร่ แปลงจาก 0–1 เป็นเปอร์เซ็นต์ นี่ไม่ใช่อัตราการผ่านของงานทั้งงาน เวิร์กโฟลว์ระดับมืออาชีพอนุญาตให้ใช้เครื่องมือ GUI และเครื่องมือบรรทัดคำสั่ง; Claude Code และ Codex ใช้ฮาร์เนสที่แตกต่างกัน จะแสดงจำนวนการรันงานและ split 152 งาน ไม่มีการเผยแพร่วันที่ snapshot ของต้นทาง; เวลาที่ดึงข้อมูลจะแสดงแยกต่างหาก Claude Code และ Codex ได้รับการจัดอันดับเฉพาะภายในกลุ่มเปรียบเทียบแยกของแต่ละตัวเท่านั้น
- แยก
- แยก
- งานที่รันแล้ว / งานทั้งหมด
- งานที่แตกต่างกันซึ่งมีการรันที่เผยแพร่แล้ว / งานทั้งหมด 152 งานในชุดข้อมูลแบบเต็ม อัตราการผ่านใช้ชุดข้อมูลแบบเต็มเป็นตัวส่วน งานที่ยังไม่ได้รันจะไม่ถูกนับเป็นการผ่าน