BrowseComp
AI बेंचमार्क के परिणाम और मॉडल का प्रदर्शन
प्रकार: percentageAgents
दर्ज परिणाम
57
औसत स्कोर
66.19%
स्कोर सीमा
21.30% - 91.50%
अग्रणी मॉडल
91.50% - GPT-6 Astra
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 |
|---|---|---|---|---|---|---|
| GPT-6 Astra | 03 सित॰ 2026 | 91.50% | GPT-6 Astra launch evaluation | हाँ | स्रोत | |
| Kimi K3 | 16 जुल॰ 2026 | 91.20% | Uses context compaction at 300K tokens, following the strategy used in Claude model cards. Moonshot separately reports 90.4 with a 1M context and no context management. | हाँ | स्रोत | |
| Claude Opus 5 | 24 जुल॰ 2026 | 90.80% | Web search, web fetch, programmatic tool calling, and code execution; 10M-token budget with context compaction; unreleased effort configuration | हाँ | स्रोत | |
| GPT 5.5 Pro | 23 अप्रैल 2026 | 90.10% | - | हाँ | स्रोत | |
| GPT 5.4 Pro | 05 मार्च 2026 | 89.30% | - | हाँ | स्रोत | |
| Claude Mythos Preview | 07 अप्रैल 2026 | 86.90% | 4.9x fewer tokens vs Opus 4.6 | हाँ | स्रोत | |
| Claude Opus 4.6 | 05 फ़र॰ 2026 | उपलब्ध नहीं | - | हाँ | - | |
| Claude Sonnet 5 | 30 जून 2026 | 86.60% | Multi-agent run from Anthropic capability summary table | हाँ | स्रोत | |
| Gemini 3.1 Pro Preview | 19 फ़र॰ 2026 | 85.90% | - | हाँ | - | |
| GPT 5.5 | 23 अप्रैल 2026 | 84.40% | - | हाँ | स्रोत | |
| MiniMax M3 | 01 जून 2026 | 83.50% | - | हाँ | स्रोत | |
| GPT 5 Pro | 07 अग॰ 2025 | 82.70% | inferred family alias from gpt-5.4 (score=0.4083; benches=19) | हाँ | स्रोत | |
| GPT 5 Search API | 14 अक्टू॰ 2025 | 82.70% | inferred family alias from gpt-5.4 (score=0.3050; benches=19) | हाँ | स्रोत | |
| GPT 5.4 | 05 मार्च 2026 | 82.70% | - | हाँ | स्रोत | |
| Claude Opus 4.7 | 16 अप्रैल 2026 | 79.30% | - | हाँ | स्रोत | |
| GLM 5.1 | 07 अप्रैल 2026 | 79.30% | w/ Context Manage | हाँ | स्रोत | |
| Qwen 3.5 397B A17B | 16 फ़र॰ 2026 | 78.60% | Discard-all context strategy | हाँ | स्रोत | |
| Beam | 05 अक्टू॰ 2026 | 77.40% | Reflection-reported launch score. Source row: BrowseComp w/ context management. Accessed 2026-10-05T22:51:12.456Z. Harness, reasoning effort, sampling and trial count are not specified per row. Not independently reproduced. | हाँ | स्रोत | |
| Seed 2.0 Pro | 14 फ़र॰ 2026 | 77.30% | - | हाँ | स्रोत | |
| MiniMax M2.5 | 12 फ़र॰ 2026 | 76.30% | - | हाँ | स्रोत | |
| GLM 5 | 11 फ़र॰ 2026 | 75.90% | - | हाँ | स्रोत | |
| Kimi K2.5 | 27 जन॰ 2026 | 74.90% | - | हाँ | स्रोत | |
| Claude Sonnet 4.6 | 17 फ़र॰ 2026 | 74.70% | - | हाँ | स्रोत | |
| Seed 2.0 Lite | 14 फ़र॰ 2026 | 72.10% | Seed2 official benchmark table | BrowseComp | हाँ | स्रोत | |
| Step 3.5 Flash | - | 69% | - | हाँ | स्रोत |
