So sánh năng lực mô hình AI
Khoa học & toán học
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 | 10/11 recent-year models have scores | 10/11 recent-year models have scores | 10/11 recent-year models have scores | 10/11 recent-year models have scores | 9/11 recent-year models have scores | 4/11 recent-year models have scores |
|---|---|---|---|---|---|---|---|
| 1 |  Claude Opus 5.5 | 31.71maxclaude-opus-5-5_max | 91.23maxclaude-opus-5-5_max | 95maxclaude-opus-5-5_max | 100maxclaude-opus-5-5_max | 90.59maxclaude-opus-5-5_max | — |
| 2 |  GPT-6 Astra | 31.71maxgpt-6-astra_max | 93.68maxgpt-6-astra_max | 97.6highgpt-6-astra_high | 99unknowngpt-6-astra_unknown | 95.77maxgpt-6-astra_max | 54.8unknowngpt-6-astra_unknown |
| 3 | GPT-6.1 Sol | 31.71maxgpt-6.1-sol_max | 93.68maxgpt-6.1-sol_max | 100maxgpt-6.1-sol_max | 99unknowngpt-6.1-sol_unknown | 95.39maxgpt-6.1-sol_max | — |
| 4 | Claude Fable 5.1 | 31.14xhighclaude-fable-5-1_xhigh | 90.18maxclaude-fable-5-1_max | 87.8maxclaude-fable-5-1_max | 100maxclaude-fable-5-1_max | — | 46.5xhighclaude-fable-5-1_xhigh |
| 5 |  Gemini 4 Argon | 27.14highgemini-4-argon_high | 85.96highgemini-4-argon_high | 78.05highgemini-4-argon_high | 99unknowngemini-4-argon_unknown | 96.4highgemini-4-argon_high | — |
| 6 | Claude Sonnet 5.5 | 31.43maxclaude-sonnet-5-5_max | 88.77maxclaude-sonnet-5-5_max | 80.49maxclaude-sonnet-5-5_max | 100maxclaude-sonnet-5-5_max | 95.58maxclaude-sonnet-5-5_max | 46.12xhighclaude-sonnet-5-5_xhigh |
| 7 | Claude Opus 5 | 29.14maxclaude-opus-5_max | 85.61maxclaude-opus-5_max | 73.17maxclaude-opus-5_max | 99maxclaude-opus-5_max | 93.88maxclaude-opus-5_max | — |
| 8 | GPT-6 Sol | 30.86maxgpt-6-sol_max | 89.82maxgpt-6-sol_max | 90maxgpt-6-sol_max | 83unknowngpt-6-sol_unknown | 94.32maxgpt-6-sol_max | — |
| 9 | GPT-6 Luna | 19.43maxgpt-6-luna_max | 78.95maxgpt-6-luna_max | 56.1maxgpt-6-luna_max | 64unknowngpt-6-luna_unknown | 90.47maxgpt-6-luna_max | — |
| 10 | Claude Haiku 5.5 | 22.57xhighclaude-haiku-5-5_xhigh | 75.09maxclaude-haiku-5-5_max | 46.34maxclaude-haiku-5-5_max | 89maxclaude-haiku-5-5_max | 89.65maxclaude-haiku-5-5_max | 30.12unknownclaude-haiku-5-5_unknown |
| 11 | Claude Mythos Preview | — | — | — | — | — | — |
Benchmark Epoch AI
Nguồn: Epoch AI, CC BY 4.0 ↗ · Đã cập nhật 2026-10-15
CritPt · Đã cập nhật 2026-10-15
FrontierMath Tiers 1-3 · Đã cập nhật 2026-10-15
FrontierMath Tier 4 · Đã cập nhật 2026-10-15
ProofBench · Đã cập nhật 2026-10-12
GPQA Diamond · Đã cập nhật 2026-10-15
Humanity's Last Exam · Đã cập nhật 2026-10-07
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.
- CritPtCác bài toán vật lý cấp nghiên cứu
- Kiểm tra khả năng suy luận trên các bài toán vật lý cấp nghiên cứu chưa công bố thuộc nhiều lĩnh vực vật lý hiện đại. Phương pháp đánh giá ↗
- FrontierMath Tiers 1-3Toán học tiên phong — bậc 1-3
- Kiểm tra các bài toán toán học nguyên bản đầy thách thức trong các bậc độ khó 1–3. Không nên gộp các điểm này với bậc 4 khó hơn. Phương pháp đánh giá ↗
- FrontierMath Tier 4Toán học tiên phong — bậc 4
- Kiểm tra bậc khó nhất của các bài toán cấp nghiên cứu FrontierMath, tách biệt với các bậc 1–3. Phương pháp đánh giá ↗
- ProofBenchBenchmark chứng minh toán học hình thức
- Kiểm tra việc tạo ra các chứng minh toán học có thể được kiểm tra bởi một trình xác minh hình thức. Phương pháp đánh giá ↗
- GPQA DiamondHỏi đáp cấp sau đại học — Diamond
- Kiểm tra các câu hỏi khoa học cấp sau đại học khó, đòi hỏi kiến thức chuyên ngành và khả năng suy luận. Phương pháp đánh giá ↗
- Humanity's Last ExamBài kiểm tra cuối cùng của nhân loại
- Kiểm tra các câu hỏi khó ở mức chuyên gia thuộc nhiều lĩnh vực học thuật. Đây là benchmark hỏi-đáp, khác với Agents' Last Exam. 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.