सार्वजनिक डेटा को सही रखने में मदद करें
कुछ गायब, गलत या पुराना दिख रहा है? इस पेज के बारे में हमें बताएँ।
कुछ गायब, गलत या पुराना दिख रहा है? इस पेज के बारे में हमें बताएँ।
AI बेंचमार्क के परिणाम और मॉडल का प्रदर्शन
तारीख के अनुसार दिखाए गए अलग-अलग बेंचमार्क स्कोर।
| संगठन | मॉडल | रिपोर्ट किया गया | सबसे ऊँचा स्कोर | जानकारी | स्व-रिपोर्ट किया गया | स्रोत |
|---|---|---|---|---|---|---|
| Gemini 4 Argon | 13 अक्टू॰ 2026 | 77.90% | Google-reported launch evaluation; source chart: https://storage.googleapis.com/gweb-uniblog-publish-prod/original_images/gemini-4-argon_table_blog.gif | हाँ | स्रोत | |
| DeepSeek V4.1 Flash | 10 सित॰ 2026 | 74.20% | Instruct model; reasoning_effort=100; mini-SWE harness; Resolved | हाँ | स्रोत | |
| GPT-6 Astra | 03 सित॰ 2026 | 74.10% | DeepSWE v1.1 | हाँ | स्रोत | |
| GPT 5.5 | 23 अप्रैल 2026 | 70% | mini-swe-agent; effort xhigh; 70% +/-3%; avg cost $6.61; avg time 21m; out tok 47k | नहीं | स्रोत | |
| Claude Opus 5 | 24 जुल॰ 2026 | 68.80% | DeepSWE v1.1; 113 long-horizon tasks; adaptive thinking at max effort; average of 5 trials | हाँ | स्रोत | |
| Kimi K3 | 16 जुल॰ 2026 | 67.50% | KimiCode harness; Moonshot release-table score. The official DeepSWE leaderboard reports a separate 67.3 result with mini-SWE-agent. | हाँ | स्रोत | |
| Claude Opus 4.8 | 28 मई 2026 | 58% | mini-swe-agent; effort max; 58% +/-2%; avg cost $12.58; avg time 43m; out tok 136k | नहीं | स्रोत | |
| GPT 5.4 | 05 मार्च 2026 | 56% | mini-swe-agent; effort xhigh; 56% +/-2%; avg cost $4.38; avg time 27m; out tok 71k | नहीं | स्रोत | |
| DeepSeek V4 Flash 0731 | 31 जुल॰ 2026 | 54.40% | DeepSeek-V4-Flash-0731 | हाँ | स्रोत | |
| Claude Opus 4.7 | 16 अप्रैल 2026 | 54% | mini-swe-agent; effort max; 54% +/-5%; avg cost $18.19; avg time 39m; out tok 103k | नहीं | स्रोत | |
| Muse Spark 1.1 | 09 जुल॰ 2026 | 53.30% | DeepSWE 1.1; long-horizon agentic coding | हाँ | स्रोत | |
| Qwen 3.8 27B | 14 अग॰ 2026 | 42.20% | DeepSWE 1.1 | हाँ | स्रोत | |
| Claude Sonnet 4.6 | 17 फ़र॰ 2026 | 32% | mini-swe-agent; effort high; 32% +/-2%; avg cost $5.52; avg time 42m; out tok 76k | नहीं | स्रोत | |
| Claude Opus 4.6 | 05 फ़र॰ 2026 | 28% | mini-swe-agent; effort max; 28% +/-4%; avg cost $5.39; avg time 30m; out tok 44k | नहीं | स्रोत | |
| Gemini 3.5 Flash | 19 मई 2026 | 28% | mini-swe-agent; effort medium; 28% +/-4%; avg cost $7.42; avg time 17m; out tok 189k | नहीं | स्रोत | |
| Kimi K2.6 | 20 अप्रैल 2026 | 24% | mini-swe-agent; 24% +/-2%; avg cost $3.16; avg time 56m; out tok 84k | नहीं | स्रोत | |
| GPT 5.4 Mini | 17 मार्च 2026 | 24% | mini-swe-agent; effort xhigh; 24% +/-3%; avg cost $2.08; avg time 33m; out tok 135k | नहीं | स्रोत | |
| MiniMax M3 | 01 जून 2026 | 20% | mini-swe-agent; 20% +/-4%; avg cost $5.57; avg time 57m; out tok 98k | नहीं | स्रोत | |
| MiMo V2.5 Pro | 23 अप्रैल 2026 | 19% | mini-swe-agent; 19% +/-2%; avg cost $1.99; avg time 28m; out tok 49k | नहीं | स्रोत | |
| GLM 5.1 | 07 अप्रैल 2026 | 18% | mini-swe-agent; 18% +/-1%; avg cost $7.46; avg time 35m; out tok 49k | नहीं | स्रोत | |
| Grok Build 0.1 | 15 मई 2026 | 13% | mini-swe-agent; 13% +/-2%; avg cost $6.60; avg time 44m; out tok 52k | नहीं | स्रोत | |
| Gemini 3.1 Pro Preview | 19 फ़र॰ 2026 | 10% | DeepSWE label: gemini-3.1-pro; mini-swe-agent; 10% +/-3%; avg cost $1.84; avg time 36m; out tok 53k | नहीं | स्रोत | |
| DeepSeek V4 Pro | 24 अप्रैल 2026 | 8% | mini-swe-agent; 8% +/-3%; avg cost $4.22; avg time 37m; out tok 50k | नहीं | स्रोत | |
| Gemini 3 Flash Preview | 17 दिस॰ 2025 | 5% | DeepSWE label: gemini-3-flash; mini-swe-agent; 5% +/-2%; avg cost $1.53; avg time 39m; out tok 233k | नहीं | स्रोत |
