AutomationBench
نتائج معايير الذكاء الاصطناعي وأداء النماذج
النوع: percentageAgents
النتائج المسجلة
10
متوسط النقاط
31.42%
نطاق النقاط
13.50% - 54.80%
النموذج المتصدر
54.80% - DeepSeek V4.1 Flash
النقاط بمرور الوقت
نقاط المعيار الفردية معروضة حسب التاريخ.
نتائج النماذج
| المؤسسة | النماذج | تاريخ الإبلاغ | أعلى نقطة | معلومات | مُبلَّغ عنها ذاتيًا | المصدر |
|---|---|---|---|---|---|---|
| DeepSeek V4.1 Flash | ١٠ سبتمبر ٢٠٢٦ | ٥٤٫٨٠٪ | Instruct model; reasoning_effort=100; Pass@1 | نعم | المصدر | |
| Gemini 4 Carbon | ٢٨ أكتوبر ٢٠٢٦ | ٥٣٫٩٠٪ | Google-reported launch evaluation; Zapier; source chart: https://storage.googleapis.com/gweb-uniblog-publish-prod/images/gemini_4_carbon__evals-table.original.png; methodology: deepmind.google/models/evals-methodology/gemini-4-carbon | نعم | المصدر | |
| Gemini 4 Argon | ١٣ أكتوبر ٢٠٢٦ | ٥١٫٣٠٪ | Google-reported launch evaluation; source chart: https://storage.googleapis.com/gweb-uniblog-publish-prod/original_images/gemini-4-argon_table_blog.gif | نعم | المصدر | |
| Kimi K3 | ١٦ يوليو ٢٠٢٦ | ٣٠٫٨٠٪ | 600-task public subset; otherwise follows the official GitHub setup. | نعم | المصدر | |
| Claude Opus 5 | ٢٤ يوليو ٢٠٢٦ | ٢٦٪ | Private held-out evaluation set; max effort | نعم | المصدر | |
| DeepSeek V4 Flash 0731 | ٣١ يوليو ٢٠٢٦ | ٢٥٫١٠٪ | Public subset; DeepSeek-V4-Flash-0731 | نعم | المصدر | |
| Claude Fable 5 | ٠٩ يونيو ٢٠٢٦ | ١٧٫٤٠٪ | Higher of Mythos 5 / Fable 5 in Anthropic's launch table | نعم | المصدر | |
| Claude Mythos 5 | ٠٩ يونيو ٢٠٢٦ | ١٧٫٤٠٪ | Higher of Mythos 5 / Fable 5 in Anthropic's launch table | نعم | المصدر | |
| Claude Sonnet 5 | ٣٠ يونيو ٢٠٢٦ | ١٣٫٥٠٪ | Zapier leaderboard private held-out tasks; max effort | نعم | المصدر |
