So sánh năng lực mô hình AI
Lập trình tác tử
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.
| STT | Mô hình | 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)
Nguồn: Google DeepMind (model card) ↗
Thẻ mô hình Google: kết quả từ nhà phát hành và điểm số của bên thứ ba được đăng lại, tính đến tháng 10 năm 2026. Xem phương pháp để biết thiết lập đánh giá; không phải tất cả những đánh giá này đều độc lập. Phương pháp đánh giá ↗
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 Đã cập nhật 06:01 UTC 21 thg 10, 2026
Nguồn: Epoch AI, CC BY 4.0 · Vals.ai · Artificial Analysis (artificialanalysis.ai)
Hướng dẫn cột
- STT
- Chỉ là thứ tự hiển thị. Việc sắp xếp làm thay đổi số này; đây không phải là xếp hạng năng lực được công bố.
- Mô hình
- Tên mô hình được đánh giá và biểu tượng nhà cung cấp của mô hình đó. Dấu gạch ngang trong một cột điểm nghĩa là không có điểm nào được công bố ở đây, chứ không phải là số 0.
- DeepSWE v1.1Kỹ thuật phần mềm DeepSWE v1.1
- Kiểm tra kỹ thuật phần mềm dài hạn trên các tác vụ nguyên bản, với thành công được đối chiếu theo yêu cầu tác vụ. Hãy so sánh cùng phiên bản benchmark và cùng thiết lập tác nhân. Phương pháp đánh giá ↗
- FrontierSWE v2Kỹ thuật phần mềm FrontierSWE v2
- Kiểm tra các tác vụ kỹ thuật và nghiên cứu kỹ thuật khó. Điểm số phản ánh đánh giá tác vụ đã công bố, với phiên bản và thiết lập tác nhân ảnh hưởng đến khả năng so sánh. Phương pháp đánh giá ↗
- Terminal-bench 4.0Benchmark terminal 4.0
- Kiểm tra việc hoàn thành các tác vụ thực tế trong môi trường terminal, chẳng hạn như lập trình và vận hành hệ thống. Các phiên bản sử dụng bộ tác vụ khác nhau và nên được so sánh riêng. Phương pháp đánh giá ↗
- Vibe Code BenchBenchmark lập trình Vibe
- Kiểm tra việc xây dựng ứng dụng web từ yêu cầu bằng ngôn ngữ tự nhiên, đánh giá ứng dụng tạo ra thay vì các câu trả lời mã riêng lẻ. Phương pháp đánh giá ↗
Hãy đọc điểm trong cùng một benchmark, nguồn và phiên bản. Giá trị cao hơn cho thấy hiệu suất mạnh hơn trên chỉ số được báo cáo, nhưng các cột khác nhau không dùng chung một thang đo.