การเปรียบเทียบความสามารถของโมเดล AI
งานความรู้
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 | 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)
แหล่งที่มา: Google DeepMind (model card) ↗
การ์ดโมเดลของ Google: ผลลัพธ์จากผู้เผยแพร่และคะแนนจากบุคคลที่สามที่เผยแพร่ซ้ำ ณ เดือนตุลาคม 2026 โปรดดูระเบียบวิธีสำหรับการตั้งค่าการประเมิน; สิ่งเหล่านี้ไม่ใช่การประเมินอิสระทั้งหมด ระเบียบวิธีประเมิน ↗
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 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
- AutomationBench — Scoreเบนช์มาร์กระบบอัตโนมัติ — คะแนน
- ทดสอบว่าเอเจนต์ทำงานเวิร์กโฟลว์ทางธุรกิจให้เสร็จสมบูรณ์ข้ามแอปพลิเคชันหลายตัวได้หรือไม่ คะแนนอย่างเป็นทางการใช้ชุดงานส่วนตัวและตรวจสอบสถานะสุดท้ายของเวิร์กโฟลว์ ระเบียบวิธีประเมิน ↗
- Harvey's Legal Agent Benchmarkเบนช์มาร์กเอเจนต์กฎหมาย Harvey
- ทดสอบเอเจนต์ในการอ่านและแก้ไขไฟล์เพื่อสร้างผลงานทางกฎหมายหลายขั้นตอน งานจะผ่านก็ต่อเมื่อเป็นไปตามข้อกำหนดการให้คะแนนทุกข้อ คะแนนคือค่าเฉลี่ยอัตราการผ่านงานจากผู้ตัดสินสองราย ยิ่งสูงยิ่งดี ไม่ใช่เปอร์เซ็นต์ของเกณฑ์แต่ละข้อที่ผ่าน และวัดเวิร์กโฟลว์ของเอเจนต์ด้านกฎหมาย ไม่ใช่คำถามการให้เหตุผลทางกฎหมายของ LegalBench ระเบียบวิธีประเมิน ↗
- Vals Finance Agent v2Vals เอเจนต์การเงิน v2
- ทดสอบการวิเคราะห์ทางการเงินด้วยการค้นหา รายงานทางการเงิน และเครื่องมือคำนวณ รวมถึงการตรวจสอบข้อมูลข้ามเอกสาร การเปรียบเทียบผลประกอบการของบริษัท และการประเมินมูลค่า เมตริกหลักคือ Partial Credit ซึ่งเฉลี่ยจากการรันสามครั้ง การตรวจคำตอบจะได้รับน้ำหนักตามระดับความรุนแรง และข้อผิดพลาดร้ายแรงแบบ dealbreaker ทำให้คำถามนั้นได้คะแนนศูนย์ ยิ่งสูงยิ่งดี เมตริกนี้แตกต่างจากเมตริก All-Pass ที่แยกต่างหาก และไม่ใช่อัตราการผ่านทั้งคำถาม ระเบียบวิธีประเมิน ↗
- Vals Indexดัชนีรวม Vals
- ดัชนีรวมของงานวิชาชีพในด้านต่างๆ เช่น การเงิน การเขียนโค้ด และกฎหมาย คะแนนร้อยละรวมผลลัพธ์ของ benchmark โดยใช้วิธีการถ่วงน้ำหนักของเวอร์ชันที่เผยแพร่นั้น คะแนนสูงหมายถึงประสิทธิภาพโดยรวมที่แข็งแกร่งขึ้น ไม่ใช่ความแม่นยำของงานเดียว โดเมนและน้ำหนักที่รวมอยู่เปลี่ยนไปตามเวอร์ชัน ดังนั้นจึงไม่ควรนำระเบียบวิธีใหม่ไปใช้ย้อนหลังกับสแนปช็อตคะแนนเวอร์ชันเก่า ระเบียบวิธีประเมิน ↗
ควรอ่านคะแนนภายใน benchmark แหล่งที่มา และเวอร์ชันเดียวกัน ค่าที่สูงขึ้นบ่งบอกถึงประสิทธิภาพที่แข็งแกร่งขึ้นในเมตริกที่รายงาน แต่คอลัมน์ต่างๆ ไม่ได้ใช้มาตรวัดร่วมกัน