Strona główna Benchmarki Benchmarki
Benchmarki AI: porównanie najnowszych modeli Jak wypadają najnowsze modele, które śledzimy, w kilku benchmarkach. Niezależne wyniki pochodzą z otwartych zbiorów danych: Arena (ślepe głosowania ludzi) i Epoch AI (własne testy Epoch). Liczby podawane przez producentów oznaczamy jako „dane producenta”. Sami tych testów nie przeprowadzamy. Nazwy modeli prowadzą do naszych stron o modelach (po angielsku).
Wybierz benchmark Code Arena Text: Coding Text: Overall GPQA Diamond FrontierMath Terminal-Bench producent
Code Arena (WebDev) Niezależny Ludzie porównują dwa anonimowe modele, które budują tę samą aplikację webową, i głosują na lepszy. Wynik to ocena Bradleya-Terry’ego (im wyżej, tym lepiej). Różnice mieszczące się w 95-procentowym przedziale ufności nie mają znaczenia.
Źródło: ranking Arena z 8 paź 2026, przez Arena Leaderboard Dataset.
1 Claude Opus 5.5 1813 effort: max · 95% CI 1798–1828 · 2294 głosy · miejsce 1 z 141 w Arenie 2 GPT-6 Astra 1786 effort: max · 95% CI 1775–1797 · 5189 głosów · miejsce 2 z 141 w Arenie 3 Claude Sonnet 5.5 1774 effort: xhigh · 95% CI 1759–1789 · 2323 głosy · miejsce 3 z 141 w Arenie 4 GPT-6.1 Sol 1755 effort: max · 95% CI 1740–1770 · 2102 głosy · miejsce 4 z 141 w Arenie 5 Claude Fable 5.1 1744 effort: max · 95% CI 1734–1753 · 6663 głosy · miejsce 5 z 141 w Arenie 6 GPT-6 Sol 1688 effort: max · 95% CI 1677–1700 · 3407 głosów · miejsce 8 z 141 w Arenie 7 Gemini 4 Argon 1678 effort: high · 95% CI 1662–1693 · 1771 głosów · miejsce 9 z 141 w Arenie 8 Grok 4.7 1639 effort: xhigh · 95% CI 1628–1650 · 3936 głosów · miejsce 15 z 141 w Arenie 9 DeepSeek V4.1 Flash 1619 effort: max · 95% CI 1608–1630 · 3542 głosy · miejsce 23 z 141 w Arenie 10 Claude Haiku 5.5 1587 effort: high · 95% CI 1567–1607 · 978 głosów · miejsce 30 z 141 w Arenie 11 GPT-6 Luna 1581 effort: max · 95% CI 1574–1588 · 12 332 głosy · miejsce 34 z 141 w Arenie 12 Mistral Large 4 1541 95% CI 1525–1558 · 1478 głosów · miejsce 42 z 141 w Arenie 1500 1675 1850
Skala zaczyna się od 1500, a nie od zera: oceny Arena są względne, więc długość paska pokazuje różnice między modelami. Cienkie ciemne linie to 95-procentowy przedział ufności.
Widok tabeli Code Arena (WebDev), od najwyższego wyniku # Model Producent Wynik Szczegóły 1 Claude Opus 5.5 Anthropic 1813 effort: max · 95% CI 1798–1828 · 2294 głosy · miejsce 1 z 141 w Arenie 2 GPT-6 Astra OpenAI 1786 effort: max · 95% CI 1775–1797 · 5189 głosów · miejsce 2 z 141 w Arenie 3 Claude Sonnet 5.5 Anthropic 1774 effort: xhigh · 95% CI 1759–1789 · 2323 głosy · miejsce 3 z 141 w Arenie 4 GPT-6.1 Sol OpenAI 1755 effort: max · 95% CI 1740–1770 · 2102 głosy · miejsce 4 z 141 w Arenie 5 Claude Fable 5.1 Anthropic 1744 effort: max · 95% CI 1734–1753 · 6663 głosy · miejsce 5 z 141 w Arenie 6 GPT-6 Sol OpenAI 1688 effort: max · 95% CI 1677–1700 · 3407 głosów · miejsce 8 z 141 w Arenie 7 Gemini 4 Argon Google 1678 effort: high · 95% CI 1662–1693 · 1771 głosów · miejsce 9 z 141 w Arenie 8 Grok 4.7 xAI 1639 effort: xhigh · 95% CI 1628–1650 · 3936 głosów · miejsce 15 z 141 w Arenie 9 DeepSeek V4.1 Flash DeepSeek 1619 effort: max · 95% CI 1608–1630 · 3542 głosy · miejsce 23 z 141 w Arenie 10 Claude Haiku 5.5 Anthropic 1587 effort: high · 95% CI 1567–1607 · 978 głosów · miejsce 30 z 141 w Arenie 11 GPT-6 Luna OpenAI 1581 effort: max · 95% CI 1574–1588 · 12 332 głosy · miejsce 34 z 141 w Arenie 12 Mistral Large 4 Mistral 1541 95% CI 1525–1558 · 1478 głosów · miejsce 42 z 141 w Arenie
Text Arena: Coding Niezależny Ślepe głosowania w parach na zadaniach programistycznych w Text Arena, z kontrolą stylu. Ocena Bradleya-Terry’ego. Nakładające się przedziały ufności oznaczają statystyczny remis.
Źródło: ranking Arena z 8 paź 2026, przez Arena Leaderboard Dataset.
1 Gemini 4 Argon 1562 effort: high · 95% CI 1545–1579 · 1233 głosy · miejsce 1 z 409 w Arenie 2 Claude Opus 5.5 1550 effort: high · 95% CI 1534–1565 · 1444 głosy · miejsce 5 z 409 w Arenie 3 GPT-6.1 Sol 1545 effort: max · 95% CI 1525–1565 · 911 głosów · miejsce 8 z 409 w Arenie 4 GPT-6 Astra 1542 effort: max · 95% CI 1529–1554 · 2424 głosy · miejsce 9 z 409 w Arenie 5 Claude Fable 5.1 1534 effort: max · 95% CI 1522–1546 · 2601 głosów · miejsce 15 z 409 w Arenie 6 Claude Sonnet 5.5 1532 effort: xhigh · 95% CI 1515–1549 · 1176 głosów · miejsce 18 z 409 w Arenie 7 DeepSeek V4.1 Flash 1528 effort: max · 95% CI 1517–1539 · 3026 głosów · miejsce 26 z 409 w Arenie 8 GPT-6 Sol 1519 effort: max · 95% CI 1506–1531 · 2441 głosów · miejsce 37 z 409 w Arenie 9 GPT-6 Luna 1508 effort: max · 95% CI 1500–1516 · 6559 głosów · miejsce 60 z 409 w Arenie 10 Mistral Large 4 1492 95% CI 1473–1512 · 922 głosy · miejsce 87 z 409 w Arenie 11 Grok 4.7 1492 effort: xhigh · 95% CI 1478–1506 · 1915 głosów · miejsce 89 z 409 w Arenie 1450 1525 1600
Skala zaczyna się od 1450, a nie od zera: oceny Arena są względne, więc długość paska pokazuje różnice między modelami. Cienkie ciemne linie to 95-procentowy przedział ufności.
Widok tabeli Text Arena: Coding, od najwyższego wyniku # Model Producent Wynik Szczegóły 1 Gemini 4 Argon Google 1562 effort: high · 95% CI 1545–1579 · 1233 głosy · miejsce 1 z 409 w Arenie 2 Claude Opus 5.5 Anthropic 1550 effort: high · 95% CI 1534–1565 · 1444 głosy · miejsce 5 z 409 w Arenie 3 GPT-6.1 Sol OpenAI 1545 effort: max · 95% CI 1525–1565 · 911 głosów · miejsce 8 z 409 w Arenie 4 GPT-6 Astra OpenAI 1542 effort: max · 95% CI 1529–1554 · 2424 głosy · miejsce 9 z 409 w Arenie 5 Claude Fable 5.1 Anthropic 1534 effort: max · 95% CI 1522–1546 · 2601 głosów · miejsce 15 z 409 w Arenie 6 Claude Sonnet 5.5 Anthropic 1532 effort: xhigh · 95% CI 1515–1549 · 1176 głosów · miejsce 18 z 409 w Arenie 7 DeepSeek V4.1 Flash DeepSeek 1528 effort: max · 95% CI 1517–1539 · 3026 głosów · miejsce 26 z 409 w Arenie 8 GPT-6 Sol OpenAI 1519 effort: max · 95% CI 1506–1531 · 2441 głosów · miejsce 37 z 409 w Arenie 9 GPT-6 Luna OpenAI 1508 effort: max · 95% CI 1500–1516 · 6559 głosów · miejsce 60 z 409 w Arenie 10 Mistral Large 4 Mistral 1492 95% CI 1473–1512 · 922 głosy · miejsce 87 z 409 w Arenie 11 Grok 4.7 xAI 1492 effort: xhigh · 95% CI 1478–1506 · 1915 głosów · miejsce 89 z 409 w Arenie
Text Arena: Overall Niezależny Ślepe głosowania w parach na różnych zadaniach tekstowych, z kontrolą stylu, więc dłuższe albo ładniej sformatowane odpowiedzi nie dostają punktów za darmo. Ocena Bradleya-Terry’ego.
Źródło: ranking Arena z 8 paź 2026, przez Arena Leaderboard Dataset.
1 Gemini 4 Argon 1525 effort: high · 95% CI 1517–1534 · 4892 głosy · miejsce 1 z 414 w Arenie 2 Claude Opus 5.5 1507 effort: high · 95% CI 1499–1515 · 6272 głosy · miejsce 2 z 414 w Arenie 3 Claude Fable 5.1 1501 effort: max · 95% CI 1495–1507 · 13 063 głosy · miejsce 6 z 414 w Arenie 4 GPT-6.1 Sol 1484 effort: max · 95% CI 1475–1493 · 4512 głosów · miejsce 21 z 414 w Arenie 5 Claude Sonnet 5.5 1476 effort: xhigh · 95% CI 1467–1485 · 4838 głosów · miejsce 32 z 414 w Arenie 6 GPT-6 Astra 1475 effort: max · 95% CI 1469–1482 · 10 536 głosów · miejsce 35 z 414 w Arenie 7 DeepSeek V4.1 Flash 1475 effort: max · 95% CI 1468–1481 · 10 872 głosy · miejsce 39 z 414 w Arenie 8 GPT-6 Sol 1456 effort: max · 95% CI 1449–1463 · 10 469 głosów · miejsce 67 z 414 w Arenie 9 Grok 4.7 1443 effort: xhigh · 95% CI 1436–1450 · 8780 głosów · miejsce 90 z 414 w Arenie 10 GPT-6 Luna 1443 effort: max · 95% CI 1438–1448 · 28 632 głosy · miejsce 91 z 414 w Arenie 11 Mistral Large 4 1429 95% CI 1420–1439 · 4179 głosów · miejsce 115 z 414 w Arenie 1400 1475 1550
Skala zaczyna się od 1400, a nie od zera: oceny Arena są względne, więc długość paska pokazuje różnice między modelami. Cienkie ciemne linie to 95-procentowy przedział ufności.
Widok tabeli Text Arena: Overall, od najwyższego wyniku # Model Producent Wynik Szczegóły 1 Gemini 4 Argon Google 1525 effort: high · 95% CI 1517–1534 · 4892 głosy · miejsce 1 z 414 w Arenie 2 Claude Opus 5.5 Anthropic 1507 effort: high · 95% CI 1499–1515 · 6272 głosy · miejsce 2 z 414 w Arenie 3 Claude Fable 5.1 Anthropic 1501 effort: max · 95% CI 1495–1507 · 13 063 głosy · miejsce 6 z 414 w Arenie 4 GPT-6.1 Sol OpenAI 1484 effort: max · 95% CI 1475–1493 · 4512 głosów · miejsce 21 z 414 w Arenie 5 Claude Sonnet 5.5 Anthropic 1476 effort: xhigh · 95% CI 1467–1485 · 4838 głosów · miejsce 32 z 414 w Arenie 6 GPT-6 Astra OpenAI 1475 effort: max · 95% CI 1469–1482 · 10 536 głosów · miejsce 35 z 414 w Arenie 7 DeepSeek V4.1 Flash DeepSeek 1475 effort: max · 95% CI 1468–1481 · 10 872 głosy · miejsce 39 z 414 w Arenie 8 GPT-6 Sol OpenAI 1456 effort: max · 95% CI 1449–1463 · 10 469 głosów · miejsce 67 z 414 w Arenie 9 Grok 4.7 xAI 1443 effort: xhigh · 95% CI 1436–1450 · 8780 głosów · miejsce 90 z 414 w Arenie 10 GPT-6 Luna OpenAI 1443 effort: max · 95% CI 1438–1448 · 28 632 głosy · miejsce 91 z 414 w Arenie 11 Mistral Large 4 Mistral 1429 95% CI 1420–1439 · 4179 głosów · miejsce 115 z 414 w Arenie
GPQA Diamond Niezależny 198 trudnych pytań wielokrotnego wyboru z nauk ścisłych (biologia, chemia, fizyka). Trafność z własnych testów Epoch AI. Losowe zgadywanie daje 25%.
Źródło: Epoch AI, GPQA Diamond (własne testy Epoch, najnowszy z 9 paź 2026).
1 GPT-6 Astra 95,8% effort: max · ±1,4 pkt (błąd standardowy) · test z 30 sie 2026 2 Claude Sonnet 5.5 95,6% effort: max · ±1,4 pkt (błąd standardowy) · test z 29 wrz 2026 3 GPT-6.1 Sol 95,4% effort: max · ±1,4 pkt (błąd standardowy) · test z 29 wrz 2026 4 GPT-6 Sol 94,3% effort: max · ±1,5 pkt (błąd standardowy) · test z 22 wrz 2026 5 Grok 4.7 92,7% effort: xhigh · ±1,6 pkt (błąd standardowy) · test z 22 wrz 2026 6 Claude Opus 5.5 90,6% effort: max · ±1,9 pkt (błąd standardowy) · test z 22 wrz 2026 7 GPT-6 Luna 90,5% effort: max · ±1,9 pkt (błąd standardowy) · test z 22 wrz 2026 8 DeepSeek V4.1 Flash 89,8% effort: max · ±1,7 pkt (błąd standardowy) · test z 9 paź 2026 9 Claude Haiku 5.5 89,6% effort: max · ±2 pkt (błąd standardowy) · test z 9 paź 2026 0% 50% 100%
Widok tabeli GPQA Diamond, od najwyższego wyniku # Model Producent Wynik (%) Szczegóły 1 GPT-6 Astra OpenAI 95,8% effort: max · ±1,4 pkt (błąd standardowy) · test z 30 sie 2026 2 Claude Sonnet 5.5 Anthropic 95,6% effort: max · ±1,4 pkt (błąd standardowy) · test z 29 wrz 2026 3 GPT-6.1 Sol OpenAI 95,4% effort: max · ±1,4 pkt (błąd standardowy) · test z 29 wrz 2026 4 GPT-6 Sol OpenAI 94,3% effort: max · ±1,5 pkt (błąd standardowy) · test z 22 wrz 2026 5 Grok 4.7 xAI 92,7% effort: xhigh · ±1,6 pkt (błąd standardowy) · test z 22 wrz 2026 6 Claude Opus 5.5 Anthropic 90,6% effort: max · ±1,9 pkt (błąd standardowy) · test z 22 wrz 2026 7 GPT-6 Luna OpenAI 90,5% effort: max · ±1,9 pkt (błąd standardowy) · test z 22 wrz 2026 8 DeepSeek V4.1 Flash DeepSeek 89,8% effort: max · ±1,7 pkt (błąd standardowy) · test z 9 paź 2026 9 Claude Haiku 5.5 Anthropic 89,6% effort: max · ±2 pkt (błąd standardowy) · test z 9 paź 2026
FrontierMath Tiers 1–3 Niezależny Niepublikowane zadania matematyczne na poziomie badawczym, przygotowane dla Epoch AI (wersja 2, poziomy 1–3). Trafność z własnych testów Epoch AI.
Źródło: Epoch AI, FrontierMath Tiers 1–3 (własne testy Epoch, najnowszy z 8 paź 2026).
1 GPT-6.1 Sol 93,7% effort: max · ±1,4 pkt (błąd standardowy) · test z 29 wrz 2026 2 GPT-6 Astra 93,7% effort: max · ±1,4 pkt (błąd standardowy) · test z 30 sie 2026 3 Claude Opus 5.5 91,2% effort: max · ±1,7 pkt (błąd standardowy) · test z 22 wrz 2026 4 Claude Fable 5.1 90,2% effort: max · ±1,8 pkt (błąd standardowy) · test z 1 wrz 2026 5 GPT-6 Sol 89,8% effort: max · ±1,8 pkt (błąd standardowy) · test z 22 wrz 2026 6 Claude Sonnet 5.5 88,8% effort: max · ±1,9 pkt (błąd standardowy) · test z 29 wrz 2026 7 GPT-6 Luna 78,9% effort: max · ±2,4 pkt (błąd standardowy) · test z 22 wrz 2026 8 Claude Haiku 5.5 75,1% effort: max · ±2,6 pkt (błąd standardowy) · test z 7 paź 2026 9 DeepSeek V4.1 Flash 67,4% effort: max · ±2,8 pkt (błąd standardowy) · test z 8 paź 2026 10 Grok 4.7 53,0% effort: xhigh · ±3 pkt (błąd standardowy) · test z 22 wrz 2026 0% 50% 100%
Widok tabeli FrontierMath Tiers 1–3, od najwyższego wyniku # Model Producent Wynik (%) Szczegóły 1 GPT-6.1 Sol OpenAI 93,7% effort: max · ±1,4 pkt (błąd standardowy) · test z 29 wrz 2026 2 GPT-6 Astra OpenAI 93,7% effort: max · ±1,4 pkt (błąd standardowy) · test z 30 sie 2026 3 Claude Opus 5.5 Anthropic 91,2% effort: max · ±1,7 pkt (błąd standardowy) · test z 22 wrz 2026 4 Claude Fable 5.1 Anthropic 90,2% effort: max · ±1,8 pkt (błąd standardowy) · test z 1 wrz 2026 5 GPT-6 Sol OpenAI 89,8% effort: max · ±1,8 pkt (błąd standardowy) · test z 22 wrz 2026 6 Claude Sonnet 5.5 Anthropic 88,8% effort: max · ±1,9 pkt (błąd standardowy) · test z 29 wrz 2026 7 GPT-6 Luna OpenAI 78,9% effort: max · ±2,4 pkt (błąd standardowy) · test z 22 wrz 2026 8 Claude Haiku 5.5 Anthropic 75,1% effort: max · ±2,6 pkt (błąd standardowy) · test z 7 paź 2026 9 DeepSeek V4.1 Flash DeepSeek 67,4% effort: max · ±2,8 pkt (błąd standardowy) · test z 8 paź 2026 10 Grok 4.7 xAI 53,0% effort: xhigh · ±3 pkt (błąd standardowy) · test z 22 wrz 2026
Terminal-Bench 4.0 Dane producenta Wieloetapowe zadania w wierszu poleceń. To własne liczby producentów z ich ogłoszeń premierowych, z ich własnym środowiskiem testowym i ustawieniami, więc nie jest to porównanie w identycznych warunkach.
Każda liczba linkuje do ogłoszenia producenta. Benchmark: Terminal-Bench .
1 Claude Sonnet 5.5 70,6% Dane producenta podaje Anthropic, 28 wrz 2026 · źródło 2 Claude Opus 5.5 66,4% Dane producenta effort: xhigh · podaje Anthropic, 22 wrz 2026 · źródło 3 GPT-6 Astra 57,9% Dane producenta effort: high · podaje OpenAI, 3 wrz 2026 · źródło 4 Claude Fable 5.1 55,8% Dane producenta podaje Anthropic, 22 wrz 2026 · źródło 5 Claude Haiku 5.5 39,2% Dane producenta podaje Anthropic, 7 paź 2026 · źródło 6 Grok 4.7 37,6% Dane producenta podaje SpaceXSI (xAI), 21 wrz 2026 · źródło 7 Mistral Large 4 28,3% Dane producenta podaje Mistral AI, 6 paź 2026 · źródło 0% 50% 100%
Widok tabeli Terminal-Bench 4.0, od najwyższego wyniku # Model Producent Wynik (%) Źródło 1 Claude Sonnet 5.5 Anthropic 70,6% podaje Anthropic, 28 wrz 2026 · źródło 2 Claude Opus 5.5 Anthropic 66,4% effort: xhigh · podaje Anthropic, 22 wrz 2026 · źródło 3 GPT-6 Astra OpenAI 57,9% effort: high · podaje OpenAI, 3 wrz 2026 · źródło 4 Claude Fable 5.1 Anthropic 55,8% podaje Anthropic, 22 wrz 2026 · źródło 5 Claude Haiku 5.5 Anthropic 39,2% podaje Anthropic, 7 paź 2026 · źródło 6 Grok 4.7 xAI 37,6% podaje SpaceXSI (xAI), 21 wrz 2026 · źródło 7 Mistral Large 4 Mistral 28,3% podaje Mistral AI, 6 paź 2026 · źródło
Dane: Arena Leaderboard Dataset (lmarena-ai) i Epoch AI Benchmarking Hub (Epoch AI), licencja CC BY 4.0 ; przefiltrowane i przeformatowane przez Retro AI Tracker; pobrane 13 paź 2026. Zmiany: tylko modele, które śledzimy, każdy w konfiguracji z najlepszym wynikiem, zaokrąglone; miejsca, paski i kolory są nasze. Nie jesteśmy powiązani z Arena ani Epoch AI; dane udostępniamy w stanie, w jakim je otrzymaliśmy.
Zanim porównasz Wyników z różnych benchmarków nie da się ze sobą porównywać, a oceny Arena są względne: liczy się różnica między modelami, nie sama liczba. Każdy model pokazujemy w konfiguracji z najlepszym wynikiem w danym benchmarku, zwykle z najwyższym poziomem rozumowania. Ten poziom podajemy pod paskiem. Liczby od producentów pochodzą z ich własnych testów i ustawień. Traktuj je jak deklaracje, a nie porównanie w identycznych warunkach. Dlaczego nie ma tabeli Artificial Analysis ani Vals AI? Ich warunki nie pozwalają publikować ich danych, więc tylko do nich linkujemy: Artificial Analysis · Vals AI . Zobacz, jak weryfikujemy .
