Cum alegeți cel mai bun model pentru fiecare caz de utilizare?

Fiecare card clasifică modelele după singurul benchmark care se potrivește cel mai bine sarcinii: DeepSWE pentru agenții de programare, Terminal-Bench 4.0 pentru sarcini de terminal și de agent, Humanity's Last Exam pentru raționamente dificile și Artificial Analysis Intelligence Index pentru calitatea generală, modelele open-weight și modelele din FlowHunt. Dacă mai puțin de trei modele au un scor DeepSWE, cardul de programare revine la SWE-bench Pro și o spune.

Ce înseamnă Verificat și Raportat de producător?

Scorurile verificate au fost măsurate de un evaluator independent, precum Artificial Analysis, ARC Prize Foundation sau leaderboardul DeepSWE, cu o configurație fixă pentru fiecare model. Scorurile raportate de producător provin de la creatorul modelului, din fișa modelului sau din anunțul de lansare. Doar scorurile verificate contează pentru clasament. Cele raportate de producător sunt afișate și marcate, dar niciodată clasate. Când există ambele, pagina modelului le afișează pe amândouă.

De ce poate același model să aibă două scoruri diferite la același benchmark?

Laboratoarele își testează adesea propriile modele cu o configurație personalizată: un harness de agent diferit, mai mult timp de gândire sau un buget de tokeni mai mare. Evaluatorii independenți folosesc o singură configurație fixă pentru fiecare model, așa că numerele lor sunt mai ușor de comparat și adesea mai mici. Clasificăm după numărul independent și păstrăm numărul laboratorului pe pagina modelului.

Ce este Artificial Analysis Intelligence Index?

Este un scor compozit independent de la Artificial Analysis, care combină teste de agent, programare, cunoștințe și știință într-un singur număr. Folosim versiunea 4 a indexului. Scorurile sale nu sunt comparabile cu versiunile anterioare, așa că numerele mai vechi pe care le-ai fi putut vedea în alte părți vor părea mai mari.

DeepSWE este un set de 113 sarcini software lungi, scrise de la zero, astfel încât este improbabil să apară în datele de antrenare. Un model trebuie să construiască sau să modifice cod real, iar testele ascunse decid dacă a reușit. Diferențiază agenții de programare de astăzi mai clar decât SWE-bench Verified, pe care majoritatea modelelor de frontieră l-au epuizat aproape complet.

De ce este SWE-bench Verified păstrat doar pentru istoric?

Modelele de frontieră rezolvă acum aproape toate cele 500 de probleme GitHub ale sale, așa că diferențele dintre ele se încadrează în marja de zgomot. Îl afișăm în continuare în tabelul complet, ca să poți compara cu rapoartele mai vechi, dar nu mai decide niciun clasament.

Care este diferența dintre modelele open-weight și cele închise?

Modelele open-weight își publică greutățile antrenate, așa că le poți rula pe propriul hardware, îți poți păstra datele în interior și le poți fine-tuna. Modelele închise sunt disponibile doar prin API-ul sau aplicațiile creatorului lor. Folosește filtrul Greutăți deschise pentru a vedea doar modelele open-weight.

Cât de des este actualizat acest leaderboard?

Îl actualizăm când sunt lansate modele importante sau când evaluatorii independenți publică rezultate noi. Data din partea de sus a paginii arată ultima actualizare, iar fiecare pagină de model listează data lansării și sursa fiecărui scor, acolo unde este publicată.

Clasamentul modelelor AI

Găsește modelul AI potrivit pentru sarcina ta

Niciun model nu conduce la toate, așa că fiecare card arată cele mai bune trei modele pentru o sarcină și benchmarkul din spatele alegerii.

47 modele · 7 benchmarkuri · 12 furnizori · actualizat la 10 octombrie 2026 · Cum acordăm scorurile

#1 general în acest moment

Claude Opus 5.5

Anthropic · 57,6 la AA Intelligence Index

Construiește un agent cu el

Agenți de programare

Finalizează sarcini software lungi, evaluate cu teste ascunse · Clasat după DeepSWE

GPT-6 Astra
OpenAI
74,1%
Verificat
Gemini 3.8 Flash
Google
73,8%
Verificat
Claude Opus 5
Înlocuit de Claude Opus 5.5
73,6%
Verificat

Vezi clasamentul complet →

Sarcini în terminal și sarcini de agent

Termină lucrări în mai mulți pași în linia de comandă · Clasat după Terminal-Bench 4.0

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

Vezi clasamentul complet →

Cercetare și raționament dificil

Răspunde la întrebări de nivel expert fără instrumente · Clasat după Humanity's Last Exam

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

Vezi clasamentul complet →

Cel mai bun în general

Un amestec independent de teste pentru agenți, programare, cunoștințe și științe · Clasat după AA Intelligence Index

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

Vezi clasamentul complet →

Greutăți deschise

Găzduiește-l singur sau ajustează-l fin · Clasat după AA Intelligence Index

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

Vezi clasamentul complet →

Disponibil în FlowHunt

Folosește-l chiar azi în agenții și fluxurile tale · Clasat după AA Intelligence Index

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

Vezi clasamentul complet →

Clasamente

Toate modelele și benchmarkurile

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

Cum acordăm scorurile

Doar scorurile verificate, măsurate de evaluatori independenți, contează pentru clasamente. Scorurile autoraportate provin de la creatorul modelului; le afișăm și le marcăm, dar nu le clasăm niciodată. Modelele deschise doar testerilor selectați sunt listate în tabel, dar nu sunt clasate niciodată. Când un scor este preluat din comparația altcuiva, trimite către acea sursă.

Folosește aceste modele în FlowHunt

Modelele marcate În FlowHunt pot fi alese direct în agenții AI FlowHunt, fluxuri și aplicația desktop FlowHunt. Deschide orice model pentru a vedea defalcarea completă a benchmark-urilor, fereastra de context și sarcinile pentru care se potrivește cel mai bine.

Întrebări frecvente

: Fiecare card clasifică modelele după singurul benchmark care se potrivește cel mai bine sarcinii: DeepSWE pentru agenții de programare, Terminal-Bench 4.0 pentru sarcini de terminal și de agent, Humanity's Last Exam pentru raționamente dificile și Artificial Analysis Intelligence Index pentru calitatea generală, modelele open-weight și modelele din FlowHunt. Dacă mai puțin de trei modele au un scor DeepSWE, cardul de programare revine la SWE-bench Pro și o spune.
: Scorurile verificate au fost măsurate de un evaluator independent, precum Artificial Analysis, ARC Prize Foundation sau leaderboardul DeepSWE, cu o configurație fixă pentru fiecare model. Scorurile raportate de producător provin de la creatorul modelului, din fișa modelului sau din anunțul de lansare. Doar scorurile verificate contează pentru clasament. Cele raportate de producător sunt afișate și marcate, dar niciodată clasate. Când există ambele, pagina modelului le afișează pe amândouă.
: Laboratoarele își testează adesea propriile modele cu o configurație personalizată: un harness de agent diferit, mai mult timp de gândire sau un buget de tokeni mai mare. Evaluatorii independenți folosesc o singură configurație fixă pentru fiecare model, așa că numerele lor sunt mai ușor de comparat și adesea mai mici. Clasificăm după numărul independent și păstrăm numărul laboratorului pe pagina modelului.
: Este un scor compozit independent de la Artificial Analysis, care combină teste de agent, programare, cunoștințe și știință într-un singur număr. Folosim versiunea 4 a indexului. Scorurile sale nu sunt comparabile cu versiunile anterioare, așa că numerele mai vechi pe care le-ai fi putut vedea în alte părți vor părea mai mari.
: DeepSWE este un set de 113 sarcini software lungi, scrise de la zero, astfel încât este improbabil să apară în datele de antrenare. Un model trebuie să construiască sau să modifice cod real, iar testele ascunse decid dacă a reușit. Diferențiază agenții de programare de astăzi mai clar decât SWE-bench Verified, pe care majoritatea modelelor de frontieră l-au epuizat aproape complet.
: Modelele de frontieră rezolvă acum aproape toate cele 500 de probleme GitHub ale sale, așa că diferențele dintre ele se încadrează în marja de zgomot. Îl afișăm în continuare în tabelul complet, ca să poți compara cu rapoartele mai vechi, dar nu mai decide niciun clasament.
: Modelele open-weight își publică greutățile antrenate, așa că le poți rula pe propriul hardware, îți poți păstra datele în interior și le poți fine-tuna. Modelele închise sunt disponibile doar prin API-ul sau aplicațiile creatorului lor. Folosește filtrul Greutăți deschise pentru a vedea doar modelele open-weight.
: Îl actualizăm când sunt lansate modele importante sau când evaluatorii independenți publică rezultate noi. Data din partea de sus a paginii arată ultima actualizare, iar fiecare pagină de model listează data lansării și sursa fiecărui scor, acolo unde este publicată.

Află mai multe

GPT-5.5 — Performanțe, Capacități și Cazuri de Utilizare

GPT-5.5 este un model AI proprietar de la OpenAI, clasificat ca nivel Frontier cu o fereastră de context de 1M tokeni. Este disponibil direct în FlowHunt. Explo...

Apr 23, 2026 5 min citire

Claude Fable 5 — Benchmark-uri, Capabilități și Cazuri de Utilizare

Claude Fable 5 este un model AI proprietar dezvoltat de Anthropic, clasificat la nivelul Super-Frontieră, cu o fereastră de context de 1 milion de tokeni. Este ...

Jun 9, 2026 5 min citire

Claude Opus 4.6 — Repere, Capacități și Cazuri de Utilizare

Claude Opus 4.6 este un model AI proprietar de la Anthropic, clasificat ca nivel Frontier cu o fereastră de context de 1M tokeni. Este disponibil direct în Flow...

Feb 5, 2026 5 min citire