01 / 장수평 코딩
클로드 오푸스 5.5 (최대)
77.4%미러코드
평균점수 · ± 8.3 퍼센트포인트 — 표준오차
평균점수 · ± 8.3 퍼센트포인트 — 표준오차
동작과 문서를 통해 완전한 프로그램을 다시 구현하십시오.
실행이 시작되었습니다: .
대규모 에이전트 예산을 사용합니다: 최대 7일, 시도당 100억 개의 토큰. 이것은 빠른 코딩 보조 테스트가 아닙니다.
소스 및 테스트 조건 ↗AI 모델 비교 / 의사결정 데스크
무엇을 더 잘하나요?
작업을 선택하세요. 증거를 조사하세요. 장단점을 비교해보세요.
실용적인 모델 후보 목록은 필요한 작업으로 시작됩니다.
소스 스냅샷
2026년 10월 12일
2026년 10월 12일
01 / 작업부터 시작하세요
다른 테스트. 다른 강점.
6개의 Epoch AI 벤치마크 테이블에서 관찰된 가장 높은 평균입니다. 이는 Rubrex 테스트나 보편적인 승자가 아닌 소스 결과입니다. 적용 범위 및 평가 설정은 다양합니다.
02 / 과학적 질문
GPT-6 아스트라(최대)
95.8%GPQA 다이아몬드
평균점수 · ± 1.4pp SE
평균점수 · ± 1.4pp SE
생물학, 화학, 물리학의 어려운 객관식 문제에 답하세요.
실행이 시작되었습니다: .
특정 질문 세트를 측정합니다. 이는 귀하의 문서에 대한 과학적 연구 능력이나 정확성을 확립하지 않습니다.
소스 및 테스트 조건 ↗03 / 고급 수학
GPT-6 아스트라(최대)
93.7%FrontierMath Tier 1–3 v2
평균점수 · ± 1.4pp SE
평균점수 · ± 1.4pp SE
Python에 액세스하여 전문가가 작성한 수학 문제를 해결하세요.
실행이 시작되었습니다: .
도구 액세스가 포함된 v2 결과입니다. 원래의 질문 세트나 도구가 필요 없는 결과와 결합하지 마세요.
소스 및 테스트 조건 ↗04 / 사실적 질문
GPT-6 아스트라(최대)
75.6%SimpleQA 인증
평균점수 · ± 1.4pp SE
평균점수 · ± 1.4pp SE
Epoch AI의 올바른 비율 측정을 사용하여 채점된 짧은 사실 질문에 답하세요.
실행이 시작되었습니다: .
Epoch는 이 설정에서 최선의 추측을 권장합니다. 이것은 환각률이나 유용한 기권 테스트 또는 개인 문서 RAG가 아닙니다.
소스 및 테스트 조건 ↗05 / 장거리 게임 에이전트
GPT-6 아스트라(최대)
76.2%EBR 벤치
평균점수 · ± 8.4pp SE
평균점수 · ± 8.4pp SE
Earthborne Rangers 게임 환경에서 진행 상황을 추적합니다.
실행이 시작되었습니다: .
게임 에이전트 성능은 좁은 신호입니다. 비즈니스 워크플로 완료 또는 도구 인증을 직접적으로 측정하지 않습니다.
소스 및 테스트 조건 ↗06 / 저장소 문제 수정
클로드 오푸스 4.7(최대)
83.5%SWE 벤치 인증
평균점수 · ± 1.7pp SE
평균점수 · ± 1.7pp SE
Epoch AI 평가 설정에서 소프트웨어 문제를 해결합니다.
실행이 시작되었습니다: .
이 소스는 최신 모델의 적용 범위가 제한되어 있습니다. 에이전트 비계, 예산 및 평가 하위 집합은 다른 SWE 벤치 순위표와 다를 수 있습니다.
소스 및 테스트 조건 ↗어떤 AI 모델이 가장 좋나요?
이 스냅샷에서는 클로드 오푸스 5.5 (최대) 는 MirrorCode에서 관찰된 평균이 가장 높습니다. GPT-6 아스트라(최대) 은 포함된 GPQA 다이아몬드 실행을 주도합니다. 아래 작업별 결과를 사용하여 후보를 선택한 다음 고정된 예산으로 자신의 사례에서 테스트해 보세요.
02 / 증거 탐색
동일한 테스트 내에서 비교하십시오.
미러코드
동작과 문서를 통해 완전한 프로그램을 다시 구현하십시오. 대규모 에이전트 예산을 사용합니다: 최대 7일, 시도당 100억 개의 토큰. 이것은 빠른 코딩 보조 테스트가 아닙니다.
원래 방법론 읽기 ↗표시 중 9 의 9 일치 평가가 실행됩니다. 평균 점수를 기준으로 높은 점수부터 정렬됩니다. ±는 제공된 경우 백분율 단위의 하나의 표준 오류입니다.
작은 화면에서는 표를 가로로 스크롤하세요.
| 모델 및 설정 | 평균점수 | 표준 오류 | 실행이 시작되었습니다 |
|---|---|---|---|
| 클로드 오푸스 5.5 (최대)인류 | 77.4% | ± 8.3 퍼센트포인트 | 2026년 9월 22일 |
| 클로드 페이블 5.1 (하이)인류 | 73.3% | ± 9.2pp | 2026년 9월 10일 |
| 클로드 페이블 5 (하이)인류 | 63.9% | ± 10.4pp | 2026년 8월 10일 |
| GPT-6 아스트라(하이)OpenAI | 46.7% | ± 11.9 퍼센트포인트 | 2026년 8월 30일 |
| 클로드 오푸스 4.7(하이)인류 | 31.1% | ± 9.0pp | 2026년 8월 12일 |
| GPT-5.6 솔(높음)OpenAI | 20.0% | ± 9.2pp | 2026년 8월 10일 |
| GPT-5.4 (높음)OpenAI | 15.6% | ± 7.7pp | 2026년 8월 10일 |
| GPT-5.5 (높음)OpenAI | 10.0% | ± 6.0pp | 2026년 8월 10일 |
| Gemini 3.1 Pro 미리보기구글 딥마인드 | 8.9% | ± 4.6pp | 2026년 8월 10일 |
03 / 후보자 목록 작성
두 가지 모델. 여섯 가지 다른 질문입니다.
각 테스트에서 관찰된 가장 높은 평균 점수를 사용하여 모델 계열을 비교합니다. 정확한 설정은 모든 결과 아래에 표시됩니다. 이 보기는 추론 노력이나 예산 계산을 균등화하지 않습니다.
장수평 코딩
미러코드 ↗클로드 오푸스 5.577.4%클로드 오푸스 5.5 (최대)± 8.3 퍼센트포인트 — 표준오차
GPT-6 아스트라46.7%GPT-6 아스트라(하이)± 11.9 퍼센트포인트 — 표준오차
과학적 질문
GPQA 다이아몬드 ↗클로드 오푸스 5.590.6%클로드 오푸스 5.5 (최대)± 1.9 퍼센트포인트 — 표준오차
GPT-6 아스트라95.8%GPT-6 아스트라(최대)± 1.4pp 표준 오류
클로드 오푸스 5.591.2%클로드 오푸스 5.5 (최대)± 1.7 퍼센트포인트 — 표준오차
GPT-6 아스트라93.7%GPT-6 아스트라(최대)± 1.4pp 표준 오류
사실적 질문
SimpleQA 인증 ↗클로드 오푸스 5.572.2%클로드 오푸스 5.5 (최대)± 1.4pp 표준 오류
GPT-6 아스트라75.6%GPT-6 아스트라(최대)± 1.4pp 표준 오류
장거리 게임 에이전트
EBR 벤치 ↗클로드 오푸스 5.571.4%클로드 오푸스 5.5 (최대)± 7.1 퍼센트포인트 — 표준오차
GPT-6 아스트라76.2%GPT-6 아스트라(최대)± 8.4pp 표준 오류
저장소 문제 수정
SWE 벤치 인증 ↗클로드 오푸스 5.5결과가 없습니다이 소스 스냅샷에서 누락됨
GPT-6 아스트라결과가 없습니다이 소스 스냅샷에서 누락됨
누락된 점수는 0이 아니라 알 수 없습니다. 평균이 높을수록 불확실성이 겹칠 수 있습니다. 이러한 결과는 최종 후보 신호일 뿐 작업량이 우수하다는 증거는 아닙니다.
04 / 예산을 명시적으로 명시하라
토큰 가격은 얼마입니까?
OpenRouter 공개 카탈로그의 날짜가 지정된 샘플입니다. 가격은 나열된 기본 계층에서 백만 토큰당 미화 달러입니다. 이 예시에서는 요청 하나에 입력 토큰 10,000개와 총 청구 출력 토큰 2,000개를 사용합니다.
작은 화면에서는 표를 가로로 스크롤하세요.
| 모델 | 입력 / 1M | 출력 / 1M | 요청 예시 |
|---|---|---|---|
| OpenAI: GPT-6 루나 ↗더 높은 상황의 가격 등급이 적용됩니다. | $0.1 | $0.5 | $0.0020 |
| Anthropic: Claude Haiku 5.5 ↗더 높은 상황의 가격 등급이 적용됩니다. | $0.1 | $0.5 | $0.0020 |
| Z.ai: GLM 5.3 플래시 ↗ | $0.0232 | $1.2 | $0.0026 |
| DeepSeek: DeepSeek V4.1 플래시 ↗더 높은 상황의 가격 등급이 적용됩니다. | $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 |
| 구글: Gemini 3.8 플래시 ↗ | $0.75 | $3.75 | $0.0150 |
| StepFun: Step 5 Preview ↗ | $1 | $2.7 | $0.0154 |
| 메타: 뮤즈 스파크 1.3 ↗ | $1.25 | $4.25 | $0.0210 |
| MoonshotAI: 키미 K3 ↗ | $0.73 | $10 | $0.0273 |
| 퀀: Qwen3.8 Max (0902) ↗ | $2 | $6 | $0.0320 |
| SpaceXAI: Grok 4.7 ↗더 높은 상황의 가격 등급이 적용됩니다. | $2 | $6 | $0.0320 |
| OpenAI: GPT-6 솔 ↗더 높은 상황의 가격 등급이 적용됩니다. | $2 | $10 | $0.0400 |
| 인류학: 클로드 소네트 5 ↗ | $2 | $10 | $0.0400 |
| OpenAI: GPT-6.1 Sol ↗더 높은 상황의 가격 등급이 적용됩니다. | $2 | $10 | $0.0400 |
| OpenAI: GPT-6.1 Sol Pro ↗더 높은 상황의 가격 등급이 적용됩니다. | $2 | $10 | $0.0400 |
| Anthropic: Claude Sonnet 5.5 ↗ | $2 | $10 | $0.0400 |
| Google: Gemini 3.1 Pro 미리보기 ↗더 높은 상황의 가격 등급이 적용됩니다. | $2 | $12 | $0.0440 |
| 인류학: 클로드 오푸스 5.5 ↗ | $4 | $20 | $0.0800 |
| OpenAI: GPT-6 아스트라 ↗더 높은 상황의 가격 등급이 적용됩니다. | $10 | $50 | $0.2000 |
| 인류학: 클로드 페이블 5.1 ↗ | $10 | $50 | $0.2000 |
이는 성공적인 작업당 비용이 아닌 토큰 추정치입니다. 추가 추론 토큰, 재시도, 도구, 검색, 미디어, 라우팅/공급자 차이, 더 높은 컨텍스트 계층으로 인해 요금이 변경될 수 있습니다. 캐시 및 일괄 할인은 제외됩니다. 구매하기 전에 연결된 모델 목록을 확인하세요.
05 / 추적할 수 있는 증거
숫자가 무엇을 의미하는지 알아보세요.
벤치마크 점수에 대한 단일 소스
222 모델 계열이 이 6개 테이블에 나타납니다. Epoch AI의 내부 실행 평균 점수를 가져오고 정확한 설정을 유지하며 제공된 표준 오류를 표시합니다. 분수를 백분율로 변환하고 결과를 정렬합니다. 우리는 관련 없는 벤치마크를 새로운 등급으로 평균화하지 않습니다.
에포크 AI 데이터 & 어트리뷰션 ↗싱싱함이 눈에 띕니다
검색된 출처 2026년 10월 12일. 라이브 피드가 아닌 저장된 스냅샷입니다. 각 행의 실행 날짜는 다운로드 날짜보다 이전일 수 있습니다. 새로운 모델은 각기 다른 시기에 각기 다른 테스트를 진행합니다. 결과가 누락되었다고 해서 성능이 저하되는 것은 아닙니다.
현재 소스 내보내기 다운로드 ↗상황에 따라 결정이 변경됩니다.
추론 노력, 도구, 비계 및 컴퓨팅 예산이 결과에 영향을 미칩니다. 작은 평균 점수 격차는 통계적 유의성 테스트가 아닙니다. 모델을 전환하기 전에 자신의 운영 조건에 따른 작업 성공, 꼬리 지연 시간, 오류 심각도 및 총 비용을 평가하세요.
모델 마이그레이션 가이드 읽기 →속도와 취향에는 또 다른 렌즈가 필요하다
이 벤치마크 테이블은 API 속도나 사용자 선호도를 측정하지 않습니다. 인공 분석은 성능 비교를 제공합니다. Arena는 선호도 기반 비교를 제공합니다. 테스트 결과는 서로 다른 질문에 답하므로 해당 숫자는 이 테이블에 병합되지 않습니다.
인공분석으로 속도 탐색 ↗Arena에서 선호도 탐색 ↗
벤치마크 데이터: Epoch AI, 기능 및 벤치마킹, 아래에 사용됨 CC BY 4.0. Rubrex를 통해 선택, 형식 변경 및 백분율로 변환되었습니다. 원래 벤치마크 작성자와 방법은 각 범주에 연결되어 있습니다. 어떠한 보증도 암시되지 않습니다. API 가격 데이터: OpenRouter 공개 모델 카탈로그, 같은 날짜에 검색되었습니다.
이 스냅샷 이후 소스 내보내기가 변경될 수 있습니다. 우리는 공급자가 후원하는 순위를 게시하지 않으며 이러한 점수가 생산 신뢰성을 확립한다고 주장하지 않습니다.
선택하기 전에
몇 가지 유용한 답변입니다.
일부 테스트에서 최신 모델이 누락된 이유는 무엇입니까?
독립적인 평가에는 시간이 걸리며 각 벤치마크는 다양한 모델 세트를 다룹니다. 누락된 결과는 비워 둡니다. 우리는 동일한 제품군의 다른 모델이나 출시 주장에서 점수를 추론하지 않습니다.
가장 저렴한 모델이 최고의 가치를 제공합니까?
품질 기준을 충족하는 경우에만 가능합니다. 재시도 및 인적 검토를 포함하여 성공적인 작업당 비용을 비교합니다. 낮은 토큰 가격으로 인해 여전히 비용이 많이 드는 작업 흐름이 발생할 수 있습니다.
이 결과가 RAG 또는 고객 지원 모델을 선택할 수 있습니까?
후보 목록을 작성하는 데 도움이 될 수 있습니다. 여전히 대표 문서, 답변 가능성 사례, 인용 확인, 도구 경계 및 전체 응용 프로그램 테스트가 필요합니다.
RAG 평가 구축 →후보작부터 결정까지
귀하의 제품에는 어떤 모델이 적합합니까?
하나의 사용 사례를 가져옵니다. 품질 기준을 정의하고, 기준선을 설정하고, 실패를 조사할 수 있습니다.
AI 신뢰성 스프린트 살펴보기 →