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 IndexVals bileşik endeksi
— means no published score for this candidate in this source, not zero.7/11 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 | Input / Output TokensBildirilen giriş / çıkış token kullanımı | |
|---|---|---|---|---|---|---|---|
| 1 |  Claude Sonnet 5.5Claude Sonnet 5.5 | 70.85 | $18.7 | $2 | $10 | 86 min | 45.09B / 654.94M |
| 2 | Claude Opus 5.5Claude Opus 5.5 | 70.18 | $28.12 | $4 | $20 | 85 min | 31.96B / 499.75M |
| 3 |  Gemini 4 ArgonGemini 4 Argon | 69.24 | $13.37 | $4 | $20 | 44.97 min | 13.36B / 146.17M |
| 4 |  GPT-6 AstraGPT-6 Astra | 65.02 | $21.28 | $10 | $50 | 33.65 min | 4.92B / 96.77M |
| 5 | GPT-6.1 SolGPT-6.1 Sol | 63.94 | $3.61 | $2 | $10 | 44.4 min | 5.49B / 103.20M |
| 6 | Claude Haiku 5.5Claude Haiku 5.5 | 58.71 | $3.17 | $0.1 | $0.5 | 49.8 min | 23.07B / 765.85M |
| 7 | GPT-6 LunaGPT-6 Luna | 52.32 | $0.45 | $0.1 | $0.5 | 32.38 min | 10.05B / 202.17M |
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
- Input / Output Tokens
- Bildirilen giriş / çıkış token kullanımı · tokens
- 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 ↗