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.
— 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 | 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)
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 ↗
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 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.
- AutomationBench — ScoreOtomasyon kıyaslaması — puan
- Bir ajanın birden fazla uygulamada iş akışlarını tamamlayıp tamamlamadığını test eder. Resmî puanlar özel bir görev seti kullanır ve iş akışının son durumunu kontrol eder. 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 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 ↗
- 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 ↗
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.