人工智能模型能力比較
知識工作
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.
— means no published score for this candidate in this source, not zero.
| 編號 | 模型 | 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)
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 ↗
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 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。
- AutomationBench — Score自動化基準 — 分數
- 測試智能代理能否跨多個應用程式完成業務工作流程。官方分數使用私人任務集，並檢查工作流程的最終狀態。 評估方法 ↗
- Harvey's Legal Agent BenchmarkHarvey 法律代理基準
- 測試 AI 代理讀取同編輯檔案，以產出多步驟法律工作成果。只有當所有評分要求都達成，任務先會通過。分數係兩位評判嘅平均任務通過率；越高越好。佢唔係個別準則通過嘅百分比，而且衡量嘅係法律 AI 代理工作流程，而唔係 LegalBench 嘅法律推理問題。 評估方法 ↗
- Vals Finance Agent v2Vals 金融代理 v2
- 測試使用搜尋、財務報告同計算工具進行財務分析，包括跨文件數據核對、公司表現比較同估值。主要指標係 Partial Credit，取三次運行嘅平均：答案檢查會按嚴重程度加權，而關鍵嘅 dealbreaker 錯誤會令該題得分為零。越高越好。呢個同獨立嘅 All-Pass 指標唔同，亦唔係整題通過率。 評估方法 ↗
- Vals IndexVals 綜合指數
- 一個綜合指數，涵蓋金融、編程同法律等領域嘅專業任務。佢嘅百分比分數會使用該已發佈版本嘅加權方法綜合基準測試結果；分數越高代表整體表現越強，而唔係單一任務嘅準確度。各版本所包含嘅領域同權重會有變動，因此唔應將較新方法追溯套用於較舊嘅分數快照。 評估方法 ↗
請在同一基準、來源及版本內比較分數。數值越高代表在該報告指標上的表現越強，但不同欄位並不共用同一尺度。