Confronto tra modelli AI / Il banco decisionale
Scegli un compito. Ispezionare le prove. Confronta i compromessi.
Una pratica lista di modelli inizia con il lavoro che devi svolgere.
01 / Inizia con il compito
Medie più alte osservate in sei tabelle di benchmark Epoch AI. Questi sono risultati originali, non test Rubrex o vincitori universali. Le impostazioni di copertura e valutazione variano.
Reimplementare programmi completi dal loro comportamento e documentazione.
Corsa iniziata: .
Utilizza un ampio budget per l'agente: fino a sette giorni e 10 miliardi di token per tentativo. This is not a quick coding-assistant test.
Fonte e condizioni di prova ↗Rispondi a difficili domande a scelta multipla di biologia, chimica e fisica.
Corsa iniziata: .
Misura un insieme di domande specifico. Non stabilisce la capacità di ricerca scientifica o l'accuratezza dei tuoi documenti.
Fonte e condizioni di prova ↗Risolvi problemi di matematica scritti da esperti con l'accesso a Python.
Corsa iniziata: .
Questi sono risultati v2 con accesso allo strumento. Non combinarli con il set di domande originale o con risultati senza strumenti.
Fonte e condizioni di prova ↗Rispondi a brevi domande concrete, valutate utilizzando la misura corretta delle proporzioni di Epoch AI.
Corsa iniziata: .
Epoch incoraggia la migliore ipotesi in questa configurazione. Non si tratta né di un tasso di allucinazioni né di un test di astensione utile o di RAG di documenti privati.
Fonte e condizioni di prova ↗Tieni traccia dei progressi nell'ambiente di gioco di Earthborne Rangers.
Corsa iniziata: .
La prestazione dell'agente di gioco è un segnale ristretto. Non misura direttamente il completamento del flusso di lavoro aziendale o l'autorizzazione dello strumento.
Fonte e condizioni di prova ↗Risolvi i problemi software nella configurazione di valutazione di Epoch AI.
Corsa iniziata: .
Questa fonte ha una copertura limitata dei modelli recenti. Gli scaffold, i budget e i sottoinsiemi di valutazione degli agenti possono differire dalle altre classifiche del benchmark SWE.
Fonte e condizioni di prova ↗In questa istantanea, Claude Opus 5.5 (massimo) ha la media più alta osservata su MirrorCode; GPT-6 Astra (massimo) guida le corse GPQA Diamond incluse. Utilizza i risultati specifici delle attività riportati di seguito per selezionare i candidati, quindi testali sui tuoi esempi con un budget fisso.
02 / Esplora le prove
Reimplementare programmi completi dal loro comportamento e documentazione. Utilizza un ampio budget per l'agente: fino a sette giorni e 10 miliardi di token per tentativo. This is not a quick coding-assistant test.
Leggi la metodologia originale ↗Mostrando 9 di 9 corse di valutazione corrispondenti. Ordinato per punteggio medio, prima il più alto. ± è un errore standard in punti percentuali, dove fornito.
Scorri la tabella orizzontalmente sugli schermi più piccoli.
| Modello e ambientazione | Punteggio medio | Errore standard | Corsa iniziata |
|---|---|---|---|
| Claude Opus 5.5 (massimo)Antropico | 77.4% | ± 8.3 punti percentuali | 22 set 2026 |
| Claude Fable 5.1 (alto)Antropico | 73.3% | ± 9,2 pp | 10 set 2026 |
| Claude Favola 5 (alto)Antropico | 63.9% | ± 10,4 pp | 10 ago 2026 |
| GPT-6 Astra (alto)OpenAI | 46.7% | ± 11.9 punti percentuali | 30 ago 2026 |
| Claude Opus 4.7 (alto)Antropico | 31.1% | ± 9,0 pp | 12 ago 2026 |
| GPT-5.6 Sol (alto)OpenAI | 20.0% | ± 9,2 pp | 10 ago 2026 |
| GPT-5.4 (alto)OpenAI | 15.6% | ± 7,7 pp | 10 ago 2026 |
| GPT-5.5 (alto)OpenAI | 10.0% | ± 6,0 pagg | 10 ago 2026 |
| Anteprima Gemini 3.1 ProGoogle DeepMind | 8.9% | ± 4,6 pp | 10 ago 2026 |
03 / Costruisci la tua rosa dei candidati
Confronta le famiglie modello utilizzando il punteggio medio più alto osservato in ciascun test. L'impostazione esatta viene visualizzata sotto ogni risultato. Questa visione non equalizza lo sforzo di ragionamento né calcola i budget.
Un punteggio mancante è sconosciuto, non zero. Le medie più elevate possono avere incertezze sovrapposte. Questi risultati sono un segnale di selezione, non una prova di superiorità sul carico di lavoro.
04 / Esplicitare il budget
Un campione datato dal catalogo pubblico di OpenRouter. I prezzi sono USD per milione di token al livello base elencato. L'esempio utilizza 10.000 token di input e 2.000 token di output fatturati in totale per una richiesta.
Scorri la tabella orizzontalmente sugli schermi più piccoli.
| Modello | Ingresso / 1M | Uscita / 1M | Esempio di richiesta |
|---|---|---|---|
| OpenAI: GPT-6 Luna ↗Si applicano livelli di prezzo di contesto più elevato | $0.1 | $0.5 | $0.0020 |
| Anthropic: Claude Haiku 5.5 ↗Si applicano livelli di prezzo di contesto più elevato | $0.1 | $0.5 | $0.0020 |
| Z.ai: GLM 5.3 Flash ↗ | $0.0232 | $1.2 | $0.0026 |
| DeepSeek: DeepSeek V4.1 Flash ↗Si applicano livelli di prezzo di contesto più elevato | $0.15 | $0.6 | $0.0027 |
| Z.ai: GLM 5.3 ↗ | $0.079 | $4.8 | $0.0104 |
| Mistral: Mistral Large 4 ↗ | $0.68 | $2.09 | $0.0110 |
| Google: Gemini 3.8 Flash ↗ | $0.75 | $3.75 | $0.0150 |
| StepFun: Step 5 Preview ↗ | $1 | $2.7 | $0.0154 |
| Meta: Muse Spark 1.3 ↗ | $1.25 | $4.25 | $0.0210 |
| MoonshotAI: Kimi K3 ↗ | $0.73 | $10 | $0.0273 |
| Qwen: Qwen3.8 Max (0902) ↗ | $2 | $6 | $0.0320 |
| SpaceXAI: Grok 4.7 ↗Si applicano livelli di prezzo di contesto più elevato | $2 | $6 | $0.0320 |
| OpenAI: GPT-6 Sol ↗Si applicano livelli di prezzo di contesto più elevato | $2 | $10 | $0.0400 |
| Antropico: Claude Sonetto 5 ↗ | $2 | $10 | $0.0400 |
| OpenAI: GPT-6.1 Sol ↗Si applicano livelli di prezzo di contesto più elevato | $2 | $10 | $0.0400 |
| OpenAI: GPT-6.1 Sol Pro ↗Si applicano livelli di prezzo di contesto più elevato | $2 | $10 | $0.0400 |
| Anthropic: Claude Sonnet 5.5 ↗ | $2 | $10 | $0.0400 |
| Google: anteprima di Gemini 3.1 Pro ↗Si applicano livelli di prezzo di contesto più elevato | $2 | $12 | $0.0440 |
| Antropico: Claude Opus 5.5 ↗ | $4 | $20 | $0.0800 |
| OpenAI: GPT-6 Astra ↗Si applicano livelli di prezzo di contesto più elevato | $10 | $50 | $0.2000 |
| Antropico: Claude Fable 5.1 ↗ | $10 | $50 | $0.2000 |
Si tratta di una stima simbolica, non del costo per attività riuscita. Token di ragionamento aggiuntivi, nuovi tentativi, strumenti, ricerca, media, differenze di routing/provider e livelli di contesto più elevato possono modificare il conto. Sono esclusi gli sconti cache e batch. Verificare l'elenco dei modelli collegati prima dell'acquisto.
05 / Prove rintracciabili
222 le famiglie di modelli compaiono in queste sei tabelle. Importiamo i punteggi medi eseguiti internamente da Epoch AI, conserviamo le impostazioni esatte e mostriamo gli errori standard forniti. Convertiamo le frazioni in percentuali e ordiniamo i risultati. Non inseriamo la media di benchmark non correlati in un nuovo rating.
Dati e attribuzione dell'epoca AI ↗Fonti recuperate 12 ott 2026. Questa è un'istantanea salvata, non un feed live. La data di esecuzione in ciascuna riga può essere precedente alla data di download. I nuovi modelli vengono sottoposti a test diversi in momenti diversi; un risultato mancante non significa prestazioni scadenti.
Scarica l'esportazione della sorgente corrente ↗Lo sforzo di ragionamento, gli strumenti, le impalcature e i budget di calcolo influiscono sui risultati. Un piccolo divario nel punteggio medio non è un test di significatività statistica. Prima di cambiare modello, valuta il successo dell'attività, la latenza della coda, la gravità del guasto e il costo totale nelle tue condizioni operative.
Leggi la guida alla migrazione dei modelli →Queste tabelle di benchmark non misurano la velocità dell'API o le preferenze dell'utente. L'analisi artificiale fornisce confronti delle prestazioni; Arena fornisce confronti basati sulle preferenze. I loro test rispondono a domande diverse, quindi i loro numeri non vengono uniti in questa tabella.
Esplora la velocità in Analisi Artificiale ↗Dati di riferimento: Epoca AI, capacità e benchmarking, usato sotto CC BY 4.0. Selezionato, riformattato e convertito in percentuali da Rubrex. Gli autori e i metodi dei benchmark originali sono collegati in ciascuna categoria. Non è implicita alcuna approvazione. Dati sui prezzi API: Catalogo dei modelli pubblici OpenRouter, recuperato nella stessa data.
L'esportazione di origine può cambiare dopo questa istantanea. Non pubblichiamo alcuna classifica sponsorizzata dai fornitori e non affermiamo che questi punteggi stabiliscano l'affidabilità della produzione.
Prima di scegliere
La valutazione indipendente richiede tempo e ciascun benchmark copre un diverso insieme di modelli. Lasciamo vuoti i risultati mancanti. Non deduciamo un punteggio da un altro modello della stessa famiglia o da una dichiarazione di lancio.
Solo se soddisfa il tuo livello di qualità. Confronta il costo per attività riuscita, inclusi i nuovi tentativi e la revisione umana. Un prezzo simbolico basso può comunque produrre un flusso di lavoro costoso.
Possono aiutare a creare una lista ristretta. Sono ancora necessari documenti rappresentativi, casi di responsabilità, controlli delle citazioni, limiti dello strumento e test dell'applicazione completa.
Costruisci una valutazione RAG →Dalla rosa dei candidati alla decisione
Porta un caso d'uso. Possiamo definire l'asticella della qualità, stabilire una linea di base e indagare sui fallimenti.
Esplora lo sprint di affidabilità dell'intelligenza artificiale →