Agents' Last Exam
AI बेंचमार्क के परिणाम और मॉडल का प्रदर्शन
प्रकार: percentageAgents
दर्ज परिणाम
32
औसत स्कोर
50.68%
स्कोर सीमा
25.20% - 77.40%
अग्रणी मॉडल
77.40% - Gemini 4 Carbon
समय के साथ स्कोर
तारीख के अनुसार दिखाए गए अलग-अलग बेंचमार्क स्कोर।
मॉडल परिणाम
| संगठन | मॉडल | रिपोर्ट किया गया | सबसे ऊँचा स्कोर | जानकारी | स्व-रिपोर्ट किया गया | स्रोत |
|---|---|---|---|---|---|---|
| Gemini 4 Carbon | 28 अक्टू॰ 2026 | 77.40% | Google-reported launch evaluation; 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 | हाँ | स्रोत | |
| Claude Opus 5.5 | 22 सित॰ 2026 | 63.20% | Agents' Last Exam v1; reasoning effort max; estimated cost per task $8.82; Reported by OpenAI (not Anthropic) in the GPT-6.1 Terra launch post | नहीं | स्रोत | |
| GPT-6.1 Terra | 26 अक्टू॰ 2026 | 60% | Agents' Last Exam v1; reasoning effort max; estimated cost per task $1.01; OpenAI-reported in the GPT-6.1 Terra launch post | हाँ | स्रोत | |
| GPT-6 Astra | 03 सित॰ 2026 | 59.30% | GPT-6 Astra launch evaluation | हाँ | स्रोत | |
| GPT-6.1 Sol | 29 सित॰ 2026 | 58.60% | Agents' Last Exam v1; reasoning effort max; estimated cost per task $2; OpenAI-reported in the GPT-6.1 Terra launch post | हाँ | स्रोत | |
| GPT-6 Luna | 22 सित॰ 2026 | 50.90% | Agents' Last Exam v1; reasoning effort max; estimated cost per task $0.14; OpenAI-reported in the GPT-6.1 Terra launch post | हाँ | स्रोत | |
| GPT 5.6 Terra | 09 जुल॰ 2026 | 50.70% | Agents' Last Exam v1; reasoning effort max; estimated cost per task $3.58; OpenAI-reported in the GPT-6.1 Terra launch post | हाँ | स्रोत | |
| Qwen 3.8 27B | 14 अग॰ 2026 | 42.90% | Pass@1: 20.4; reported aggregate score: 42.9 | हाँ | स्रोत | |
| Gemini 4 Argon | 13 अक्टू॰ 2026 | 39.50% | 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 1017 | 17 अक्टू॰ 2026 | 35.40% | Agents' Last Exam. Developer-reported percentage score (0–100), higher is better. DeepSeek-V4.1-Flash-1017 model card, release 2026-10-17, accessed 2026-10-17. Reasoning effort and any unlisted evaluation settings are not specified by this card. | हाँ | स्रोत | |
| DeepSeek V4.1 Flash | 10 सित॰ 2026 | 31.80% | Instruct model; reasoning_effort=100; Pass@1 | हाँ | स्रोत | |
| DeepSeek V4 Flash 0731 | 31 जुल॰ 2026 | 25.20% | DeepSeek-V4-Flash-0731 | हाँ | स्रोत |
