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.

Agent's Last Exam — Pass rateBài kiểm tra cuối cùng của tác nhân — tỷ lệ đạt

— means no published score for this candidate in this source, not zero.3/11 recent-year models have scores

STT	Mô hình
1	Gemini 4 ArgonGemini 4 Argon	39.5Pass rate
2	Claude Opus 5.5Claude Opus 5.5	38.2Pass rate
3	GPT-6 AstraGPT-6 Astra	34.2Pass rate

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 ↗

Agent's Last Exam — Pass rate · 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.
Điểm: Kiểm tra công việc chuyên môn dài hạn trong môi trường phần mềm thực tế. Tỷ lệ vượt qua chỉ tính các nhiệm vụ đạt kết quả yêu cầu, không chỉ tiến độ một phần. Phương pháp đánh giá ↗
Độ bao phủ: Chỉ hiển thị kết quả đã công bố cho các nhóm mô hình đã chọn. OSWorld 2.x, Verified và Pro hiện cung cấp cấu hình Claude Opus 5; đây không phải phạm vi bao phủ đầy đủ của mọi mô hình. Windows Agent Arena, MacArena, ScreenSpot-Pro, OSWorld-Human, WebArena-Verified, VisualWebArena, Online-Mind2Web và WorkArena++ chưa được tích hợp ở đây. SafeArena đo lường an toàn riêng và không được hợp nhất vào điểm hoàn thành tác vụ. Kết quả bị thiếu không bao giờ được điền bằng không.