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.
ALE-V1 · full · max · Codex
— means no published score for this candidate in this source, not zero.3/11 recent-year models have scores
| STT | Mô hình | Bộ máy tác nhân | Mức độ suy luận | Tách | Số tác vụ đã chạy / tổng số tác vụ | ||
|---|---|---|---|---|---|---|---|
| 1 |  GPT-6 Astragpt-6-astra | Codex | max | 34.21% | 59.26% | full | 151 / 152 |
| 2 | GPT-6 Solgpt-6-sol | Codex | max | 31.58% | 58.57% | full | 151 / 152 |
| 3 | GPT-6 Lunagpt-6-luna | Codex | max | 25% | 50.89% | full | 150 / 152 |
ALE · quy trình làm việc chuyên nghiệp
Nguồn: Agents’ Last Exam ↗ · CC BY 4.0 · Đã tải 06:00 UTC 21 thg 10, 2026
ALE-V1 · full · max · Codex · 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
- Codex
- Mức độ suy luận
- max
- Điểm
- ALE-V1 full split, nỗ lực suy luận tối đa: tỷ lệ phần trăm trong tất cả 152 tác vụ nhận được điểm tối đa. Số lần chạy tác vụ có thể thấp hơn 152. Các quy trình làm việc chuyên nghiệp cho phép dùng công cụ GUI và dòng lệnh; Claude Code và Codex sử dụng các bộ khung thực thi khác nhau. Đây không phải là so sánh chỉ GUI. Không công bố ngày snapshot thượng nguồn; thời gian tải được hiển thị riêng. Claude Code và Codex chỉ được xếp hạng trong các nhóm so sánh riêng của chúng. Phương pháp đánh giá ↗
- Điểm một phần
- ALE-V1 full split, nỗ lực suy luận tối đa: điểm tác vụ từng phần trung bình đã công bố, được chuyển từ 0–1 sang phần trăm. Đây không phải tỷ lệ vượt qua toàn bộ tác vụ. Quy trình làm việc chuyên nghiệp cho phép công cụ GUI và dòng lệnh; Claude Code và Codex dùng các harness khác nhau. Số lượt chạy tác vụ và split 152 tác vụ được hiển thị. Không có ngày snapshot thượng nguồn nào được công bố; thời điểm tải được hiển thị riêng. Claude Code và Codex chỉ được xếp hạng trong các nhóm so sánh riêng của chúng.
- Tách
- Tách
- Số tác vụ đã chạy / tổng số tác vụ
- Các tác vụ riêng biệt có một lần chạy đã được công bố / tất cả 152 tác vụ trong toàn bộ tập chia. Tỷ lệ đạt sử dụng toàn bộ tập chia làm mẫu số; các tác vụ chưa chạy không được tính là đạt.