So sánh năng lực mô hình AI
Sử dụng máy tính
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.
Coarena · tác vụ hỗn hợp
— means no published score for this candidate in this source, not zero.7/11 recent-year models have scores
| STT | Mô hình | Bộ máy tác nhân | Mức độ suy luận | Khoảng tin cậy 95% | |
|---|---|---|---|---|---|
| 1 |  GPT-6 Solgpt-6-sol | Coarena | medium | 1043 | 985–1101 |
| 2 | GPT-6.1 Solgpt-6.1-sol | Coarena | medium | 1025 | 965–1085 |
| 3 | GPT-6 Lunagpt-6-luna | Coarena | medium | 1018 | 966–1070 |
| 4 |  Claude Opus 5.5claude-opus-5-5 | Coarena | medium | 1010 | 973–1047 |
| 5 | Claude Fable 5.1claude-fable-5-1 | Coarena | medium | 1001 | 968–1034 |
| 6 | Claude Sonnet 5.5claude-sonnet-5-5 | Coarena | medium | 989 | 928–1050 |
| 7 | GPT-6 Astragpt-6-astra | Coarena | medium | 976 | 936–1016 |
Coarena · tác vụ hỗn hợp
Nguồn: Coarena ↗ · Đã tải 06:00 UTC 21 thg 10, 2026
Coarena · tác vụ hỗn hợp · 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.
- Bộ máy tác nhân
- Coarena
- Mức độ suy luận
- medium
- Điểm
- Đánh giá sở thích của con người theo phương thức mù trên các tác vụ hỗn hợp gồm trình duyệt, máy tính để bàn, lập trình và hỏi đáp trong harness của Coarena. Đây là điểm Bradley–Terry, không phải tỷ lệ phần trăm hay tỷ lệ thành công tác vụ đã được xác minh. Khoảng tin cậy là 95%; các khoảng chồng lấn không xác lập người thắng. Đây là kết quả tổng thể, không phải tập con máy tính để bàn. Mức độ nỗ lực suy luận chỉ được hiển thị khi được công bố. Xếp hạng sử dụng 20.000 trận đấu có giám định hợp lệ gần nhất; PandaNpc hiển thị thời gian tải vì ảnh chụp nhanh này không cung cấp dấu thời gian tính toán. Phương pháp đánh giá ↗
- Khoảng tin cậy 95%
- Khoảng tin cậy 95%