Jak vybíráte nejlepší model pro jednotlivé případy použití?

Každá karta řadí modely podle jednoho benchmarku, který nejlépe odpovídá dané úloze: DeepSWE pro programovací agenty, Terminal-Bench 4.0 pro úlohy v terminálu a agentní úlohy, Humanity's Last Exam pro náročné uvažování a Artificial Analysis Intelligence Index pro celkovou kvalitu, open-weight modely a modely ve FlowHunt. Pokud má skóre DeepSWE méně než tři modely, karta programování se vrátí k SWE-bench Pro a uvede to.

Co znamená Ověřené a Uváděné výrobcem?

Ověřená skóre naměřil nezávislý hodnotitel, například Artificial Analysis, ARC Prize Foundation nebo žebříček DeepSWE, s jedním pevným nastavením pro všechny modely. Skóre uváděná výrobcem pocházejí od tvůrce modelu, z jeho modelové karty nebo oznamovacího příspěvku. Do žebříčku se počítají jen ověřená skóre. Skóre uváděná výrobcem se zobrazují a označují, ale nikdy se neřadí. Pokud existují obě, stránka modelu ukazuje obě.

Proč může mít stejný model v jednom benchmarku dvě různá skóre?

Laboratoře často testují své modely vlastním nastavením: jiným agentním harnessem, delším časem na přemýšlení nebo větším tokenovým rozpočtem. Nezávislí hodnotitelé používají pro všechny modely jedno pevné nastavení, takže jejich čísla jsou snáze srovnatelná a často nižší. Řadíme podle nezávislého čísla a číslo od laboratoře ponecháváme na stránce modelu.

Co je Artificial Analysis Intelligence Index?

Je to nezávislé složené skóre od Artificial Analysis, které spojuje testy agentů, programování, znalostí a vědy do jednoho čísla. Používáme verzi 4 indexu. Její skóre nelze srovnávat s dřívějšími verzemi, takže starší čísla, která jste mohli vidět jinde, budou vypadat vyšší.

DeepSWE je sada 113 dlouhých softwarových úloh napsaných od nuly, takže se v trénovacích datech pravděpodobně neobjevují. Model musí vytvořit nebo upravit skutečný kód a o úspěchu rozhodují skryté testy. Dnešní programovací agenty rozlišuje jasněji než SWE-bench Verified, který většina frontier modelů téměř vyčerpala.

Proč je SWE-bench Verified ponechán jen pro historii?

Frontier modely dnes vyřeší téměř všech jeho 500 GitHub issues, takže rozdíly mezi nimi jsou v rámci šumu. V úplné tabulce jej stále zobrazujeme, abyste se mohli porovnat se staršími zprávami, ale už nerozhoduje o žádném pořadí.

Jaký je rozdíl mezi open-weight a uzavřenými modely?

Open-weight modely zveřejňují své natrénované váhy, takže je můžete provozovat na vlastním hardwaru, držet data u sebe a dolaďovat je. Uzavřené modely jsou dostupné pouze přes API nebo aplikace svého tvůrce. Filtr Open weight zobrazí pouze modely s otevřenými váhami.

Jak často je tento leaderboard aktualizován?

Aktualizujeme jej, když jsou vydány významné modely nebo když nezávislí hodnotitelé zveřejní nové výsledky. Datum v horní části stránky ukazuje poslední aktualizaci a každá stránka modelu uvádí datum vydání a zdroj každého skóre, pokud je zveřejněn.

Žebříček AI modelů

Najděte pro svou práci ten správný AI model

Žádný model nevede ve všem, proto každá karta ukazuje tři nejlepší modely pro jednu úlohu a benchmark, podle kterého byly vybrány.

47 modelů · 7 benchmarků · 12 poskytovatelů · aktualizováno 10. října 2026 · Jak hodnotíme

Aktuálně #1 celkově

Claude Opus 5.5

Anthropic · 57,6 v testu AA Intelligence Index

Vytvořte s ním agenta

Programovací agenti

Dokončuje dlouhé softwarové úlohy hodnocené skrytými testy · Řazeno podle DeepSWE

GPT-6 Astra
OpenAI
74,1%
Ověřeno
Gemini 3.8 Flash
Google
73,8%
Ověřeno
Claude Opus 5
Nahrazen modelem Claude Opus 5.5
73,6%
Ověřeno

Zobrazit celý žebříček →

Úlohy v terminálu a agentní úlohy

Dokončí vícekrokovou práci v příkazové řádce · Řazeno podle Terminal-Bench 4.0

Claude Sonnet 5.5
Anthropic
63,6%
Ověřeno
Claude Opus 5.5
Anthropic
59,6%
Ověřeno
GPT-6 Astra
OpenAI
59,1%
Ověřeno

Zobrazit celý žebříček →

Výzkum a náročné uvažování

Odpovídá na odborné otázky bez nástrojů · Řazeno podle Humanity's Last Exam

Claude Opus 5.5
Anthropic
61,4%
Ověřeno
Claude Fable 5.1
Anthropic
59,1%
Ověřeno
Claude Fable 5
Anthropic
55,5%
Ověřeno

Zobrazit celý žebříček →

Nejlepší celkově

Nezávislá směs testů agentů, programování, znalostí a vědy · Řazeno podle AA Intelligence Index

Claude Opus 5.5
Anthropic
57,6
Ověřeno
Claude Sonnet 5.5
Anthropic
56,0
Ověřeno
Claude Fable 5.1
Anthropic
53,4
Ověřeno

Zobrazit celý žebříček →

Otevřené váhy

Provozujte si ho sami nebo ho dotrénujte · Řazeno podle AA Intelligence Index

GLM-5.3
Zhipu (Z.AI)
44,8
Ověřeno
Kimi K3
Moonshot AI
43,6
Ověřeno
GLM-5.3-Flash
Zhipu (Z.AI)
41,8
Ověřeno

Zobrazit celý žebříček →

Dostupné ve FlowHunt

Použijte ho ve svých agentech a flow ještě dnes · Řazeno podle AA Intelligence Index

Claude Opus 5.5
Anthropic
57,6
Ověřeno
Claude Sonnet 5.5
Anthropic
56,0
Ověřeno
Claude Fable 5.1
Anthropic
53,4
Ověřeno

Zobrazit celý žebříček →

Žebříčky

Všechny modely a benchmarky

Model	Vydáno	AA Index	DeepSWE	SWE-Pro	SWE-V	Terminal	HLE	GPQA	ARC-2
Claude Haiku 5.5 Anthropic	7. 10. 2026	43,4	n/a	64,8% VÚ	n/a	32,8%	44,4%	n/a	n/a
Mistral Large 4 Mistral	6. 10. 2026	38,4	61,7% VÚ	n/a	n/a	26,8%	35,0%	n/a	n/a
Gemini 4 Argon Google	30. 9. 2026	52,6	77,9% VÚ	n/a	n/a	57,1%	57,1%	n/a	n/a
GPT-6.1 Sol OpenAI	29. 9. 2026	51,8	n/a	n/a	n/a	56,1%	52,9%	n/a	94,2%
Claude Sonnet 5.5 Anthropic	28. 9. 2026	56,0	71,0% VÚ	81,3% VÚ	n/a	63,6%	55,0%	n/a	n/a
Claude Opus 5.5 Anthropic	22. 9. 2026	57,6	74,2% VÚ	89,9% VÚ	n/a	59,6%	61,4%	n/a	93,3%
GPT-6 Luna OpenAI	22. 9. 2026	38,1	n/a	n/a	n/a	12,6%	38,5%	n/a	59,3%
Grok 4.7 xAI	21. 9. 2026	46,4	71,0% VÚ	n/a	n/a	25,8%	43,1%	n/a	61,4%
DeepSeek V4.1 Flash DeepSeek	10. 9. 2026	39,5	74,2% VÚ	n/a	n/a	26,8%	39,2%	90,9% VÚ	72,9%
GPT-6 Astra OpenAI	3. 9. 2026	52,7	74,1%	n/a	n/a	59,1%	54,7%	96,1%	95,0%
Gemini 3.8 Flash Google	2. 9. 2026	40,9	73,8%	n/a	80,0%	19,7%	47,8%	95,3%	89,2%
Muse Spark 1.3 Meta	2. 9. 2026	48,1	75,4% VÚ	n/a	n/a	33,3%	48,7%	93,5%	n/a
Claude Fable 5.1 Anthropic	1. 9. 2026	53,4	67,4% VÚ	81,2% VÚ	n/a	52,0%	59,1%	93,7%	90,0%
GLM-5.3-Flash Zhipu (Z.AI)	26. 8. 2026	41,8	63,4%	n/a	92,0%	32,8%	39,9%	91,2%	65,8%
GLM-5.3 Zhipu (Z.AI)	18. 8. 2026	44,8	69,0%	n/a	95,4%	41,9%	42,3%	91,7%	n/a
DeepSeek V4-Pro DeepSeek	13. 8. 2026	36,0	62,8%	n/a	96,4%	14,1%	41,0%	92,8%	61,3%
Qwen3.8-27B Alibaba	5. 8. 2026	33,7	n/a	61,7% VÚ	86,0%	5,6%	33,9%	90,5%	42,4%
Qwen3.8 Max Alibaba	3. 8. 2026	45,4	57,5%	67,7% VÚ	85,6%	38,9%	43,1%	92,8%	n/a
Claude Opus 5 Anthropic	24. 7. 2026	50,8	73,6%	79,2% VÚ	97,0%	49,0%	54,9%	93,2%	90,4%
Gemini 3.5 Flash-Lite Google	21. 7. 2026	22,2	n/a	n/a	n/a	1,0%	18,8%	83,8%	n/a
Kimi K3 Moonshot AI	16. 7. 2026	43,6	68,5%	n/a	93,4%	12,6%	46,9%	93,5%	60,4%
GPT-5.6 Sol OpenAI	9. 7. 2026	47,0	72,7%	64,6% VÚ	96,2%	39,9%	49,5%	94,1%	92,5%
Claude Sonnet 5 Anthropic	30. 6. 2026	38,2	53,8%	63,2% VÚ	79,6%	14,1%	41,3%	91,1%	n/a
Claude Fable 5 Anthropic	9. 6. 2026	49,6	69,9%	80,3% VÚ	95,0% VÚ	42,4%	55,5%	92,6%	89,2%
Nemotron 3 Ultra NVIDIA	4. 6. 2026	22,9	n/a	n/a	69,0%	0,5%	28,4%	86,7% VÚ	n/a
MiniMax M3 MiniMax	1. 6. 2026	29,2	n/a	59,0% VÚ	75,0%	2,0%	39,0%	92,9%	n/a
Qwen 3.7-Plus Alibaba	1. 6. 2026	25,2	n/a	n/a	n/a	1,0%	35,6%	90,0%	n/a
Claude Opus 4.8 Anthropic	28. 5. 2026	41,8	59,0%	69,2% VÚ	88,6% VÚ	21,7%	48,7%	92,0%	72,1%
Qwen 3.7-Max Alibaba	20. 5. 2026	29,5	n/a	60,6% VÚ	68,8%	1,5%	40,5%	92,3%	n/a
DeepSeek V4-Flash DeepSeek	24. 4. 2026	24,2	53,0%	n/a	79,0% VÚ	2,5%	n/a	89,4%	n/a
GPT-5.5 OpenAI	23. 4. 2026	38,4	67,0%	58,6% VÚ	82,6%	14,6%	45,8%	93,5%	85,0%
Claude Opus 4.7 Anthropic	1. 4. 2026	40,7	n/a	64,3% VÚ	82,0%	n/a	42,3%	91,4%	75,8%
Nemotron 3 Super NVIDIA	11. 3. 2026	12,8	n/a	n/a	60,5% VÚ	0,0%	20,8%	80,0%	n/a
GPT-5.4 OpenAI	5. 3. 2026	39,0	51,8%	59,1%	78,2%	n/a	43,7%	92,0%	74,0%
Gemini 3.1 Pro Google	19. 2. 2026	29,7	11,7%	54,2% VÚ	78,8%	4,0%	47,0%	94,1%	77,1%
Claude Sonnet 4.6 Anthropic	17. 2. 2026	30,1	29,9%	n/a	77,4%	3,0%	33,6%	87,5%	60,4%
Claude Opus 4.6 Anthropic	5. 2. 2026	31,9	n/a	57,3% VÚ	78,2%	n/a	39,9%	89,6%	69,2%
Mistral Large 3 Mistral	2. 12. 2025	9,3	n/a	n/a	41,4%	0,0%	4,2%	68,0%	n/a
Claude Haiku 4.5 Anthropic	1. 10. 2025	n/a	n/a	n/a	66,6%	n/a	n/a	72,2%	4,0%
GPT-5 OpenAI	7. 8. 2025	23,0	n/a	n/a	69,0%	n/a	28,5%	85,4%	9,9%
Mistral Medium 3 Mistral	1. 5. 2025	9,0	n/a	n/a	n/a	n/a	4,0%	57,8%	n/a
GPT-4.1 OpenAI	14. 4. 2025	12,7	n/a	n/a	54,6% VÚ	n/a	4,2%	66,6%	0,4%
Llama 4 Maverick Meta	5. 4. 2025	10,0	n/a	n/a	n/a	0,0%	4,9%	67,1%	0,0%
Llama 4 Scout Meta	5. 4. 2025	8,1	n/a	n/a	n/a	0,0%	3,8%	58,7%	0,0%
Llama 3.3 70B Meta	6. 12. 2024	7,7	n/a	n/a	n/a	n/a	3,6%	49,8%	n/a
GPT-4o OpenAI	13. 5. 2024	8,4	n/a	n/a	33,2% VÚ	n/a	2,4%	54,3%	n/a
Mixtral 8x7B Mistral	1. 12. 2023	5,1	n/a	n/a	n/a	n/a	4,7%	29,2%	n/a

Jak hodnotíme

Do žebříčků se počítají pouze ověřená skóre, která změřili nezávislí hodnotitelé. Vlastní údaje pocházejí od tvůrce modelu; zobrazujeme je a označujeme, ale nikdy je neřadíme. Modely dostupné jen vybraným testerům jsou uvedeny v tabulce, ale nikdy se neřadí. Pokud je skóre převzato z cizího srovnání, odkazuje na tento zdroj.

Používejte tyto modely ve FlowHunt

Modely označené Ve FlowHunt lze vybrat přímo v AI agentech FlowHunt, flow a v desktopové aplikaci FlowHunt. Otevřete libovolný model a uvidíte jeho úplný rozpis benchmarků, kontextové okno a úlohy, pro které se hodí nejlépe.

Často kladené otázky

: Každá karta řadí modely podle jednoho benchmarku, který nejlépe odpovídá dané úloze: DeepSWE pro programovací agenty, Terminal-Bench 4.0 pro úlohy v terminálu a agentní úlohy, Humanity's Last Exam pro náročné uvažování a Artificial Analysis Intelligence Index pro celkovou kvalitu, open-weight modely a modely ve FlowHunt. Pokud má skóre DeepSWE méně než tři modely, karta programování se vrátí k SWE-bench Pro a uvede to.
: Ověřená skóre naměřil nezávislý hodnotitel, například Artificial Analysis, ARC Prize Foundation nebo žebříček DeepSWE, s jedním pevným nastavením pro všechny modely. Skóre uváděná výrobcem pocházejí od tvůrce modelu, z jeho modelové karty nebo oznamovacího příspěvku. Do žebříčku se počítají jen ověřená skóre. Skóre uváděná výrobcem se zobrazují a označují, ale nikdy se neřadí. Pokud existují obě, stránka modelu ukazuje obě.
: Laboratoře často testují své modely vlastním nastavením: jiným agentním harnessem, delším časem na přemýšlení nebo větším tokenovým rozpočtem. Nezávislí hodnotitelé používají pro všechny modely jedno pevné nastavení, takže jejich čísla jsou snáze srovnatelná a často nižší. Řadíme podle nezávislého čísla a číslo od laboratoře ponecháváme na stránce modelu.
: Je to nezávislé složené skóre od Artificial Analysis, které spojuje testy agentů, programování, znalostí a vědy do jednoho čísla. Používáme verzi 4 indexu. Její skóre nelze srovnávat s dřívějšími verzemi, takže starší čísla, která jste mohli vidět jinde, budou vypadat vyšší.
: DeepSWE je sada 113 dlouhých softwarových úloh napsaných od nuly, takže se v trénovacích datech pravděpodobně neobjevují. Model musí vytvořit nebo upravit skutečný kód a o úspěchu rozhodují skryté testy. Dnešní programovací agenty rozlišuje jasněji než SWE-bench Verified, který většina frontier modelů téměř vyčerpala.
: Frontier modely dnes vyřeší téměř všech jeho 500 GitHub issues, takže rozdíly mezi nimi jsou v rámci šumu. V úplné tabulce jej stále zobrazujeme, abyste se mohli porovnat se staršími zprávami, ale už nerozhoduje o žádném pořadí.
: Open-weight modely zveřejňují své natrénované váhy, takže je můžete provozovat na vlastním hardwaru, držet data u sebe a dolaďovat je. Uzavřené modely jsou dostupné pouze přes API nebo aplikace svého tvůrce. Filtr Open weight zobrazí pouze modely s otevřenými váhami.
: Aktualizujeme jej, když jsou vydány významné modely nebo když nezávislí hodnotitelé zveřejní nové výsledky. Datum v horní části stránky ukazuje poslední aktualizaci a každá stránka modelu uvádí datum vydání a zdroj každého skóre, pokud je zveřejněn.

Zjistit více

GPT-5.5 — Benchmarky, schopnosti a případy použití

GPT-5.5 je proprietární model umělé inteligence od OpenAI, klasifikovaný na úrovni Frontier s kontextovým oknem 1 milion tokenů. Je dostupný přímo v FlowHunt. P...

Apr 23, 2026 4 min čtení

Claude Fable 5 — Benchmarky, schopnosti a případy použití

Claude Fable 5 je proprietární model AI od společnosti Anthropic, zařazený do kategorie Super-Frontier s kontextovým oknem 1M tokenů. Je dostupný přímo v FlowHu...

Jun 9, 2026 5 min čtení

Dekódování AI agentních modelů: Nejlepší srovnávací analýza

Prozkoumejte svět AI agentních modelů v rámci komplexní analýzy 20 špičkových systémů. Objevte, jak přemýšlejí, uvažují a podávají výkony v různých úlohách, a p...

May 30, 2025 4 min čtení

AI Agents Comparative Analysis +7