Yapay Zeka Modeli Yetenek Karşılaştırması
Bilgi işi
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.
Vals Finance Agent v2Vals finans ajanı v2
— means no published score for this candidate in this source, not zero.10/11 recent-year models have scores
| No. | Model | Cost / TestTest başına maliyet | Input costMilyon token başına giriş fiyatı | Output costMilyon token başına çıktı fiyatı | DurationBildirilen test süresi | |
|---|---|---|---|---|---|---|
| 1 |  Gemini 4 ArgonGemini 4 Argon | 65.4 | $4.38 | $4 | $20 | 16.35 min |
| 2 |  Claude Fable 5.1Claude Fable 5.1 | 58.88 | $8.35 | $10 | $50 | 18.23 min |
| 3 | Claude Opus 5Claude Opus 5 | 58.63 | $5.12 | $5 | $25 | 9.97 min |
| 4 | Claude Opus 5.5Claude Opus 5.5 | 58.59 | $9.22 | $4 | $20 | 33.13 min |
| 5 | Claude Sonnet 5.5Claude Sonnet 5.5 | 58.1 | $6.55 | $2 | $10 | 31.72 min |
| 6 | Claude Haiku 5.5Claude Haiku 5.5 | 54.14 | $1.64 | $0.1 | $0.5 | 30.82 min |
| 7 |  GPT-6 AstraGPT-6 Astra | 53.54 | $6.82 | $10 | $50 | 11.55 min |
| 8 | GPT-6.1 SolGPT-6.1 Sol | 52.03 | $1.62 | $2 | $10 | 15.42 min |
| 9 | GPT-6 LunaGPT-6 Luna | 49.87 | $0.12 | $0.1 | $0.5 | 14.97 min |
| 10 | GPT-6 SolGPT-6 Sol | 49.05 | $2.12 | $2 | $10 | 9 min |
Vals.ai kıyaslamaları
Kaynak: Vals.ai ↗ · Güncellendi 2026-10-19
Vals Finance Agent v2 · Güncellendi 2026-10-18
PandaNpc Güncellendi 21 Eki 2026 06:01 UTC
Kaynak: Epoch AI, CC BY 4.0 · Vals.ai · Artificial Analysis (artificialanalysis.ai)
Sütun kılavuzu
- No.
- Yalnızca görüntüleme sırası. Sıralama bu sayıyı değiştirir; yayımlanmış bir yetenek sıralaması değildir.
- Model
- Değerlendirilen model adı ve sağlayıcı simgesi. Bir puan sütunundaki tire, burada yayımlanmış bir puanın bulunmadığı anlamına gelir; sıfır değildir.
- Cost / Test
- Test başına maliyet · USD
- Input cost
- Milyon token başına giriş fiyatı · USD / 1M tokens
- Output cost
- Milyon token başına çıktı fiyatı · USD / 1M tokens
- Duration
- Bildirilen test süresi · s / min
- Vals.ai
- Maliyetler ve süreler bu benchmark için Vals tarafından raporlanır; evrensel model fiyatları veya gecikme değildir. CUA-bench tahmini API maliyeti değerlendirme kullanımını kapsar ve bir alt sınır tahminidir, görev başına maliyet değildir; eylem başına süre bir ortalamadır, medyan değildir. Yıldız işareti, lansman günü önbellek yazma maliyetlerini artıran prompt-cache davranışını işaretler. Eksik değerler yayımlanmamıştır, sıfır değildir.
- Vals Finance Agent v2Vals finans ajanı v2
- Finansal analizi; arama, finansal raporlar ve hesaplama araçlarıyla test eder; belgeler arası veri kontrolleri, şirket performansı karşılaştırmaları ve değerleme dahildir. Ana metrik, üç çalıştırma üzerinden ortalaması alınan Partial Credit'tir: yanıt kontrolleri ciddiyete dayalı ağırlıklar alır ve kritik bir dealbreaker hatası o sorunun puanını sıfır yapar. Yüksek olan daha iyidir. Bu, ayrı All-Pass metriğinden farklıdır ve tüm sorunun geçme oranı değildir. Değerlendirme metodolojisi ↗
- Harvey's Legal Agent BenchmarkHarvey hukuk ajanı kıyaslaması
- Ajanların çok adımlı hukuki iş ürünleri üretmek için dosyaları okumasını ve düzenlemesini test eder. Bir görev, yalnızca tüm değerlendirme gereksinimleri karşılandığında geçer. Puan, iki hakemden gelen ortalama görev geçme oranıdır; yüksek olan daha iyidir. Tek tek kriterlerin geçilme yüzdesi değildir ve LegalBench'in hukuki muhakeme soruları yerine hukuki ajan iş akışlarını ölçer. Değerlendirme metodolojisi ↗
- Vals IndexVals bileşik endeksi
- Finans, kodlama ve hukuk gibi alanlardaki profesyonel görevlerden oluşan bileşik bir endeks. Yüzde puanı, o yayımlanmış sürüm için ağırlıklandırma yöntemini kullanarak benchmark sonuçlarını birleştirir; yüksek olması tek bir görevin doğruluğunu değil, genel performansın daha güçlü olduğunu gösterir. Dahil edilen alanlar ve ağırlıklar sürümler arasında değişir; bu nedenle daha yeni metodoloji, eski puan anlık görüntülerine geriye dönük uygulanmamalıdır. Değerlendirme metodolojisi ↗
- LegalBenchHukuki akıl yürütme kıyaslaması
- Hukuki metinleri anlama ve bunlar üzerinde akıl yürütmeyi test eder; hukuki sorunları belirleme, kuralları hatırlama ve uygulama ile hukuki sonuçları yargılama dahildir. Puan, hukuki muhakeme sorularındaki doğruluktur; yüksek olan daha iyidir. Harvey's Legal Agent Benchmark'ın aksine, bir ajanın dosyaları düzenleyerek çok adımlı hukuki iş ürünleri üretmesini ölçmez. Değerlendirme metodolojisi ↗