So sánh năng lực mô hình AI
Công việc tri thức
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 | 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)
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 ↗
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 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.
- AutomationBench — ScoreBenchmark tự động hóa — điểm
- Kiểm tra liệu một agent có hoàn thành quy trình nghiệp vụ trên nhiều ứng dụng hay không. Điểm chính thức sử dụng một bộ tác vụ riêng tư và kiểm tra trạng thái cuối cùng của quy trình. Phương pháp đánh giá ↗
- Harvey's Legal Agent BenchmarkBenchmark tác nhân pháp lý Harvey
- Kiểm tra các agent đọc và chỉnh sửa tệp để tạo ra các sản phẩm công việc pháp lý gồm nhiều bước. Một tác vụ chỉ đạt khi mọi yêu cầu chấm điểm đều được đáp ứng. Điểm số là tỷ lệ đạt tác vụ trung bình từ hai giám khảo; điểm cao hơn là tốt hơn. Đây không phải là tỷ lệ phần trăm các tiêu chí riêng lẻ được đạt, và nó đo lường quy trình làm việc của agent pháp lý thay vì các câu hỏi lập luận pháp lý của LegalBench. Phương pháp đánh giá ↗
- Vals Finance Agent v2Tác nhân tài chính Vals v2
- Kiểm tra phân tích tài chính bằng các công cụ tìm kiếm, báo cáo tài chính và tính toán, bao gồm kiểm tra dữ liệu chéo giữa các tài liệu, so sánh hiệu quả hoạt động của công ty và định giá. Chỉ số chính là Partial Credit, được lấy trung bình qua ba lần chạy: các kiểm tra câu trả lời nhận trọng số dựa trên mức độ nghiêm trọng, và một lỗi dealbreaker nghiêm trọng khiến câu hỏi đó bị điểm không. Điểm cao hơn là tốt hơn. Điều này khác với chỉ số All-Pass riêng biệt và không phải tỷ lệ vượt qua toàn bộ câu hỏi. Phương pháp đánh giá ↗
- Vals IndexChỉ số tổng hợp Vals
- Chỉ số tổng hợp của các tác vụ chuyên môn trong các lĩnh vực như tài chính, lập trình và pháp luật. Điểm phần trăm của nó kết hợp kết quả benchmark bằng phương pháp tính trọng số cho phiên bản đã công bố đó; điểm cao hơn nghĩa là hiệu suất tổng thể mạnh hơn, không phải độ chính xác của một tác vụ đơn lẻ. Các lĩnh vực và trọng số được bao gồm thay đổi giữa các phiên bản, vì vậy không được áp dụng phương pháp mới cho các ảnh chụp điểm cũ một cách hồi tố. 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.