Yapay Zeka Modeli Yetenek Karşılaştırması
Ajanik kodlama
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.
| No. | Model | 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)
Kaynak: Google DeepMind (model card) ↗
Google model kartı: yayıncı sonuçları ve yeniden yayımlanan üçüncü taraf puanları, Ekim 2026 itibarıyla. Değerlendirme ayarları için metodolojiye bakın; bunların tümü bağımsız değerlendirmeler değildir. Değerlendirme metodolojisi ↗
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 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.
- DeepSWE v1.1DeepSWE yazılım mühendisliği v1.1
- Özgün görevlerde uzun vadeli yazılım mühendisliğini test eder; başarı, görev gereksinimlerine göre kontrol edilir. Aynı benchmark sürümünü ve ajan kurulumunu karşılaştırın. Değerlendirme metodolojisi ↗
- FrontierSWE v2FrontierSWE yazılım mühendisliği v2
- Zor mühendislik ve teknik araştırma görevlerini test eder. Puanlar, yayımlanan görev değerlendirmesini yansıtır; sürüm ve ajan kurulumu karşılaştırılabilirliği etkiler. Değerlendirme metodolojisi ↗
- Terminal-bench 4.0Terminal kıyaslaması 4.0
- Terminal ortamında kodlama ve sistem işlemleri gibi pratik görevleri tamamlamayı test eder. Sürümler farklı görev kümeleri kullanır ve ayrı ayrı karşılaştırılmalıdır. Değerlendirme metodolojisi ↗
- Vibe Code BenchVibe kodlama kıyaslaması
- Doğal dil isteklerinden web uygulamaları oluşturmayı test eder; izole kod yanıtları yerine ortaya çıkan uygulamayı değerlendirir. Değerlendirme metodolojisi ↗
Puanları aynı benchmark, kaynak ve sürüm içinde okuyun. Daha yüksek değerler bildirilen metrikte daha güçlü performansa işaret eder, ancak farklı sütunlar ortak bir ölçeği paylaşmaz.