AutomationBench
Resultados de evaluaciones comparativas de IA y rendimiento de modelos
Tipo: percentageAgents
Resultados registrados
10
Puntuación media
31.42%
Rango de puntuaciones
13.50% - 54.80%
Modelo líder
54.80% - DeepSeek V4.1 Flash
Puntuaciones a lo largo del tiempo
Puntuaciones individuales de la evaluación a lo largo del tiempo.
Resultados de modelos
| Organización | Modelos | Fecha del resultado | Mejor puntuación | Información | Autodeclarado | Fuente |
|---|---|---|---|---|---|---|
| DeepSeek V4.1 Flash | 10 sept 2026 | 54,80 % | Instruct model; reasoning_effort=100; Pass@1 | Sí | Fuente | |
| Gemini 4 Carbon | 28 oct 2026 | 53,90 % | 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 | Sí | Fuente | |
| Gemini 4 Argon | 13 oct 2026 | 51,30 % | Google-reported launch evaluation; source chart: https://storage.googleapis.com/gweb-uniblog-publish-prod/original_images/gemini-4-argon_table_blog.gif | Sí | Fuente | |
| Kimi K3 | 16 jul 2026 | 30,80 % | 600-task public subset; otherwise follows the official GitHub setup. | Sí | Fuente | |
| Claude Opus 5 | 24 jul 2026 | 26 % | Private held-out evaluation set; max effort | Sí | Fuente | |
| DeepSeek V4 Flash 0731 | 31 jul 2026 | 25,10 % | Public subset; DeepSeek-V4-Flash-0731 | Sí | Fuente | |
| Claude Fable 5 | 09 jun 2026 | 17,40 % | Higher of Mythos 5 / Fable 5 in Anthropic's launch table | Sí | Fuente | |
| Claude Mythos 5 | 09 jun 2026 | 17,40 % | Higher of Mythos 5 / Fable 5 in Anthropic's launch table | Sí | Fuente | |
| Claude Sonnet 5 | 30 jun 2026 | 13,50 % | Zapier leaderboard private held-out tasks; max effort | Sí | Fuente |
