AI 模型能力对比
知识工作
仅显示最近一年发布的模型；只展示覆盖其中至少 3 款模型的评测。发布日期未知的不显示，历史数据仍保留。
— 表示此来源未公布该候选的成绩，不代表零分。
| 序号 | 模型 | 近一年模型中 4/11 款有成绩 | 近一年模型中 4/11 款有成绩 | 近一年模型中 4/11 款有成绩 | 近一年模型中 4/11 款有成绩 |
|---|---|---|---|---|---|
| 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)
数据来源: Google DeepMind (model card) ↗
Google 模型卡汇总截至 2026 年 10 月的发布方测评及转载的第三方评分，并非全部为独立测评；具体评测设置见方法说明。 评测方法说明 ↗
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 更新于 2026年10月21日 UTC 06:01
数据来源: Epoch AI, CC BY 4.0 · Vals.ai · Artificial Analysis (artificialanalysis.ai)
列说明
- 序号
- 仅表示当前显示顺序；排序会改变序号，它不是官方能力排名。
- 模型
- 显示被评测模型的名称及厂商图标；评分中的破折号表示此处暂无已发布成绩，不代表零分。
- AutomationBench — Score自动化基准 — 得分
- 测试智能体能否跨多个应用完成业务流程；官方得分基于私有任务集，检查流程最终状态是否满足要求。 评测方法说明 ↗
- Harvey's Legal Agent BenchmarkHarvey 法律智能体基准
- 测试代理读取、编辑文件并完成多步骤法律工作成果的能力。一项任务必须满足全部评分要求才算通过；分数为两位评审给出的任务通过率平均值，越高越好。它不是单项评分标准的通过比例，衡量的是法律智能体工作流程，与 LegalBench 的法律推理题不同。 评测方法说明 ↗
- Vals Finance Agent v2Vals 金融智能体 v2
- 测试模型使用搜索、财报和计算工具完成金融分析，包括跨文档核对数据、比较公司业绩和估值。主指标为 Partial Credit，取三次运行的平均值：按答案检查项的重要程度加权计分，关键项出现致命错误时该题记零。越高越好；它与单独的 All-Pass 指标不同，不是整题通过率。 评测方法说明 ↗
- Vals IndexVals 综合指数
- 汇总金融、编程、法律等专业任务表现的综合指数。百分比分数按所发布版本的方法对基准结果加权，越高表示整体表现越好，不是单项任务的正确率。纳入领域和权重会随版本变化，不能将新版方法追溯套用到旧评分快照。 评测方法说明 ↗
请在同一基准、来源和版本内解读分数。数值越高表示该指标上的表现越强，但不同列并不使用统一量表。