Comparação de modelos de IA/A mesa de decisão
Escolha uma tarefa. Inspecione as evidências. Compare as compensações.
Uma lista de modelos práticos começa com o trabalho que você precisa realizar.
01 / Comece com a tarefa
Médias mais altas observadas em seis tabelas de benchmark da Epoch AI. Estes são resultados originais, não testes Rubrex ou vencedores universais. As configurações de cobertura e avaliação variam.
Reimplementar programas completos a partir de seu comportamento e documentação.
Execução iniciada: .
Utiliza um grande orçamento de agente: até sete dias e 10 bilhões de tokens por tentativa. Este não é um teste rápido de assistente de codificação.
Fonte e condições de teste ↗Responda questões difíceis de múltipla escolha em biologia, química e física.
Execução iniciada: .
Mede um conjunto de perguntas específico. Não estabelece capacidade de pesquisa científica ou precisão em seus documentos.
Fonte e condições de teste ↗Resolva problemas matemáticos escritos por especialistas com acesso ao Python.
Execução iniciada: .
Estes são resultados v2 com acesso à ferramenta. Não os combine com o conjunto de perguntas original ou com resultados sem ferramentas.
Fonte e condições de teste ↗Responda a perguntas factuais curtas, pontuadas usando a medida de proporção correta da Epoch AI.
Execução iniciada: .
A Epoch incentiva a melhor estimativa nesta configuração. Isto não é uma taxa de alucinação nem um teste de abstenção útil ou RAG de documentos privados.
Fonte e condições de teste ↗Acompanhe o progresso no ambiente de jogo Earthborne Rangers.
Execução iniciada: .
O desempenho do agente de jogo é um sinal estreito. Ele não mede diretamente a conclusão do fluxo de trabalho comercial ou a autorização de ferramentas.
Fonte e condições de teste ↗Resolva problemas de software na configuração de avaliação do Epoch AI.
Execução iniciada: .
Esta fonte limitou a cobertura de modelos recentes. As estruturas, orçamentos e subconjuntos de avaliação dos agentes podem diferir de outras tabelas de classificação do SWE-bench.
Fonte e condições de teste ↗Neste instantâneo, Claude Opus 5.5 (máx.) possui a maior média observada no MirrorCode; GPT-6 Astra (máx.) lidera as execuções GPQA Diamond incluídas. Use os resultados específicos da tarefa abaixo para selecionar candidatos e, em seguida, teste-os com seus próprios exemplos com um orçamento fixo.
02 / Explore as evidências
Reimplementar programas completos a partir de seu comportamento e documentação. Utiliza um grande orçamento de agente: até sete dias e 10 bilhões de tokens por tentativa. Este não é um teste rápido de assistente de codificação.
Leia a metodologia original ↗Exibindo 9 de 9 execuções de avaliação correspondentes. Ordenado pela pontuação média, a mais alta primeiro. ± é um erro padrão em pontos percentuais, quando fornecido.
Role a tabela horizontalmente em telas menores.
| Modelo e configuração | Pontuação média | Erro padrão | Execução iniciada |
|---|---|---|---|
| Claude Opus 5.5 (máx.)Antrópico | 77.4% | ± 8.3 pontos percentuais | 22 de set. de 2026 |
| Claude Fábula 5.1 (alto)Antrópico | 73.3% | ± 9,2 pontos | 10 de set. de 2026 |
| Claude Fábula 5 (alto)Antrópico | 63.9% | ± 10,4 pontos | 10 de ago. de 2026 |
| GPT-6 Astra (alto)OpenAI | 46.7% | ± 11.9 pontos percentuais | 30 de ago. de 2026 |
| Claude Opus 4.7 (alto)Antrópico | 31.1% | ± 9,0 pp | 12 de ago. de 2026 |
| GPT-5,6 Sol (alto)OpenAI | 20.0% | ± 9,2 pontos | 10 de ago. de 2026 |
| GPT-5.4 (alto)OpenAI | 15.6% | ± 7,7 pontos | 10 de ago. de 2026 |
| GPT-5.5 (alto)OpenAI | 10.0% | ± 6,0 pp | 10 de ago. de 2026 |
| Visualização do Gemini 3.1 ProGoogle DeepMind | 8.9% | ± 4,6 pontos | 10 de ago. de 2026 |
03 / Crie sua lista
Compare famílias de modelos usando a pontuação média mais alta observada em cada teste. A configuração exata aparece abaixo de cada resultado. Esta visão não equaliza o esforço de raciocínio nem calcula os orçamentos.
Uma pontuação ausente é desconhecida, e não zero. Médias mais altas podem ter incertezas sobrepostas. Esses resultados são um sinal de lista restrita, não uma prova de superioridade em sua carga de trabalho.
04 / Explicitar o orçamento
Uma amostra datada do catálogo público do OpenRouter. Os preços são USD por milhão de tokens no nível base listado. O exemplo usa 10.000 tokens de entrada e 2.000 tokens de saída faturados no total para uma solicitação.
Role a tabela horizontalmente em telas menores.
| Modelo | Entrada/1M | Saída/1M | Exemplo de solicitação |
|---|---|---|---|
| OpenAI: GPT-6 Luna ↗Aplicam-se níveis de preços de contexto mais alto | $0.1 | $0.5 | $0.0020 |
| Anthropic: Claude Haiku 5.5 ↗Aplicam-se níveis de preços de contexto mais alto | $0.1 | $0.5 | $0.0020 |
| Z.ai: GLM 5.3 Flash ↗ | $0.0232 | $1.2 | $0.0026 |
| DeepSeek: DeepSeek V4.1 Flash ↗Aplicam-se níveis de preços de contexto mais alto | $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: Gêmeos 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 |
| Moonshot AI: Kimi K3 ↗ | $0.73 | $10 | $0.0273 |
| Qwen: Qwen3.8 Máx. (0902) ↗ | $2 | $6 | $0.0320 |
| SpaceXAI: Grok 4.7 ↗Aplicam-se níveis de preços de contexto mais alto | $2 | $6 | $0.0320 |
| OpenAI: GPT-6 Sol ↗Aplicam-se níveis de preços de contexto mais alto | $2 | $10 | $0.0400 |
| Antrópico: Claude Soneto 5 ↗ | $2 | $10 | $0.0400 |
| OpenAI: GPT-6.1 Sol ↗Aplicam-se níveis de preços de contexto mais alto | $2 | $10 | $0.0400 |
| OpenAI: GPT-6.1 Sol Pro ↗Aplicam-se níveis de preços de contexto mais alto | $2 | $10 | $0.0400 |
| Anthropic: Claude Sonnet 5.5 ↗ | $2 | $10 | $0.0400 |
| Google: visualização do Gemini 3.1 Pro ↗Aplicam-se níveis de preços de contexto mais alto | $2 | $12 | $0.0440 |
| Antrópico: Claude Opus 5.5 ↗ | $4 | $20 | $0.0800 |
| OpenAI: GPT-6 Astra ↗Aplicam-se níveis de preços de contexto mais alto | $10 | $50 | $0.2000 |
| Antrópico: Claude Fable 5.1 ↗ | $10 | $50 | $0.2000 |
Esta é uma estimativa simbólica, não um custo por tarefa bem-sucedida. Tokens de raciocínio extras, novas tentativas, ferramentas, pesquisa, mídia, diferenças de roteamento/provedor e níveis de contexto mais altos podem alterar a conta. Descontos em cache e em lote estão excluídos. Verifique a listagem do modelo vinculado antes da compra.
05 / Evidência que você pode rastrear
222 famílias de modelos aparecem nessas seis tabelas. Importamos as pontuações médias de execução interna do Epoch AI, mantemos as configurações exatas e mostramos os erros padrão fornecidos. Convertemos frações em porcentagens e classificamos os resultados. Não calculamos a média de benchmarks não relacionados em uma nova classificação.
Dados e atribuição da Epoch AI ↗Fontes recuperadas 12 de out. de 2026. Este é um instantâneo salvo, não um feed ao vivo. A data de execução em cada linha pode ser anterior à data de download. Novos modelos entram em testes diferentes em momentos diferentes; um resultado ausente não significa mau desempenho.
Baixe a exportação de origem atual ↗Esforço de raciocínio, ferramentas, estruturas e orçamentos computacionais afetam os resultados. Uma pequena diferença na pontuação média não é um teste de significância estatística. Antes de mudar de modelo, avalie o sucesso da tarefa, a latência final, a gravidade da falha e o custo total sob suas próprias condições operacionais.
Leia o guia de migração de modelo →Essas tabelas de benchmark não medem a velocidade da API ou a preferência do usuário. A Análise Artificial fornece comparações de desempenho; Arena fornece comparações baseadas em preferências. Seus testes respondem a perguntas diferentes, portanto seus números não são mesclados nesta tabela.
Explore a velocidade na Análise Artificial ↗Dados de referência: Epoch AI, capacidades e benchmarking, usado sob CC POR 4,0. Selecionado, reformatado e convertido em porcentagens pela Rubrex. Os criadores e métodos de benchmark originais estão vinculados em cada categoria. Nenhum endosso está implícito. Dados de preço da API: Catálogo de modelos públicos OpenRouter, recuperado na mesma data.
A exportação de origem pode mudar após esta captura instantânea. Não publicamos nenhuma classificação patrocinada por fornecedores e não afirmamos que essas pontuações estabeleçam a confiabilidade da produção.
Antes de escolher
A avaliação independente leva tempo e cada benchmark abrange um conjunto diferente de modelos. Deixamos os resultados ausentes em branco. Não inferimos uma pontuação de outro modelo da mesma família ou de uma declaração de lançamento.
Somente se atender ao seu padrão de qualidade. Compare o custo por tarefa bem-sucedida, incluindo novas tentativas e revisão humana. Um preço simbólico baixo ainda pode produzir um fluxo de trabalho caro.
Eles podem ajudar a construir uma lista restrita. Você ainda precisa de documentos representativos, casos de responsabilidade, verificações de citações, limites de ferramentas e testes da aplicação completa.
Crie uma avaliação RAG →Da lista restrita à decisão
Traga um caso de uso. Podemos definir o padrão de qualidade, estabelecer uma linha de base e investigar as falhas.
Explore o Sprint de confiabilidade de IA →