人工智能模型能力比較
電腦操作
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 rate代理最終考試 — 合格率
— means no published score for this candidate in this source, not zero.3/11 recent-year models have scores
| 編號 | 模型 | |
|---|---|---|
| 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)
來源: Google DeepMind (model card) ↗
Google 模型卡：發佈者結果及轉載的第三方分數，截至 2026 年 10 月。評估設定請參閱方法論；這些並非全部都是獨立評估。 評估方法 ↗
Agent's Last Exam — Pass rate · Source date unknown
PandaNpc 更新 2026年10月21日 06:01 [UTC]
來源: Epoch AI, CC BY 4.0 · Vals.ai · Artificial Analysis (artificialanalysis.ai)
欄位說明
- 編號
- 僅供顯示排序。排序會改變此數字；此並非已發佈的能力排名。
- 模型
- 受評估的模型名稱及其供應商圖示。分數欄中的破折號表示此處沒有已發佈的分數，而非零分。
- 評分
- 測試在真實軟件環境中的長時程專業工作。通過率只計算達到所需成果的任務，而非僅部分進展。 評估方法 ↗
- 覆蓋範圍
- 只顯示所選模型系列嘅已公佈結果。OSWorld 2.x、Verified 同 Pro 目前提供 Claude Opus 5 配置；呢個唔係所有模型嘅完整覆蓋。Windows Agent Arena、MacArena、ScreenSpot-Pro、OSWorld-Human、WebArena-Verified、VisualWebArena、Online-Mind2Web 同 WorkArena++ 尚未整合到呢度。SafeArena 會分開量度安全性，唔會合併到任務完成分數。缺失結果永遠唔會以零填補。