Benchmark-hubi kokoaa kaikki julkaistut benchmarkit ja niiden validoidut tulosrivit yhteen näkymään.
Benchmark-hubi kokoaa kaikki julkaistut benchmark-sivut ja niiden validoidut tulosrivit yhteen näkymään.
Esikatselussa näytetään jokaisesta benchmarkista vain kärkiosa. Varsinaiselta benchmark-sivulta näet koko tulostaulukon.
Avaa tarvittaessa mukaan myös vanhemmat ja poistuvat mallit benchmark-esikatseluihin.
Third-party cross-model intelligence ranking published by Artificial Analysis.
| Sija | Malli | Yhtiö | Tulos |
|---|---|---|---|
| #1 | Grok 4.20 | xAI | 48 score |
| #2 | Claude Opus 4.6 | Anthropic | 46 score |
| #3 | GPT-5 Codex | OpenAI | 45 score |
Näytä kaikki tulokset | 21.3.2026
| Sija | Malli | Yhtiö | Tulos |
|---|---|---|---|
| Ei julkaistuja rivejä tässä benchmarkissa. | |||
Näytä kaikki tulokset | 21.3.2026
| Sija | Malli | Yhtiö | Tulos |
|---|---|---|---|
| Ei julkaistuja rivejä tässä benchmarkissa. | |||
Näytä kaikki tulokset | 21.3.2026
AIME 2025 mittaa olympiatason matemaattista ongelmanratkaisua. Se on hyvä signaali mallin kyvystä ratkaista vaikeita monivaiheisia tehtäviä.
| Sija | Malli | Yhtiö | Tulos |
|---|---|---|---|
| #1 | Grok 4 | xAI | 91,7 % |
| #2 | GPT-5 mini | OpenAI | 91,1 % |
| #3 | GPT-5 nano | OpenAI | 85,2 % |
Näytä kaikki tulokset | 21.3.2026
| Sija | Malli | Yhtiö | Tulos |
|---|---|---|---|
| Ei julkaistuja rivejä tässä benchmarkissa. | |||
Näytä kaikki tulokset | 5.10.2025
Abstraction and reasoning benchmark for novel visual problems.
| Sija | Malli | Yhtiö | Tulos |
|---|---|---|---|
| #1 | GPT-5.4 pro | OpenAI | 83,3 % |
| #2 | GPT-5.4 | OpenAI | 73,3 % |
| #3 | Claude Opus 4.6 | Anthropic | 68,8 % |
Näytä kaikki tulokset | 21.3.2026
ARC-AGI-3 mittaa, kuinka hyvin tekoälyagentti oppii uuden interaktiivisen ympäristön säännöt kokeilemalla ja ratkaisee tehtävän ihmisen kaltaisella tehokkuudella.
| Sija | Malli | Yhtiö | Tulos |
|---|---|---|---|
| #1 | GPT-5.4 | OpenAI | 0,26 % |
| #2 | Claude Opus 4.6 | Anthropic | 0,23 % |
| #3 | Gemini 3.1 Pro | Google DeepMind | 0,22 % |
Näytä kaikki tulokset | 25.3.2026
Tool-calling benchmark based on Berkeley Function Calling v4.
| Sija | Malli | Yhtiö | Tulos |
|---|---|---|---|
| #1 | Grok 4.1 Fast | xAI | 72 % |
Näytä kaikki tulokset | 21.3.2026
Benchmark for web browsing and search-assisted task completion.
| Sija | Malli | Yhtiö | Tulos |
|---|---|---|---|
| #1 | GPT-5.4 pro | OpenAI | 89,3 % |
| #2 | Gemini 3.1 Pro | Google DeepMind | 85,9 % |
| #3 | GPT-5.4 | OpenAI | 82,7 % |
Näytä kaikki tulokset | 21.3.2026
BullshitBench v2 mittaa, tunnistaako malli tarkoituksella virheellisen tai ristiriitaisen pyynnön ja osaako se sanoa selkeästi vastaan sen sijaan, että jatkaisi väärän oletuksen pohjalta.
| Sija | Malli | Yhtiö | Tulos |
|---|---|---|---|
| #1 | Claude Sonnet 4.6 | Anthropic | 89 % |
| #2 | Claude Opus 4.6 | Anthropic | 83 % |
| #3 | Claude Haiku 4.5 | Anthropic | 71 % |
Näytä kaikki tulokset | 17.3.2026
| Sija | Malli | Yhtiö | Tulos |
|---|---|---|---|
| Ei julkaistuja rivejä tässä benchmarkissa. | |||
Näytä kaikki tulokset | 10.11.2025
| Sija | Malli | Yhtiö | Tulos |
|---|---|---|---|
| #1 | Codestral | Mistral AI | 89,6 % |
Näytä kaikki tulokset | 21.3.2026
Benchmark for multi-step grounded reasoning with retrieved context.
| Sija | Malli | Yhtiö | Tulos |
|---|---|---|---|
| #1 | Grok 4.1 Fast | xAI | 87,6 % |
Näytä kaikki tulokset | 21.3.2026
GPQA mittaa vaikeaa luonnontieteellistä päättelyä asiantuntijatasoisilla kysymyksillä. Se palkitsee harkintaa, ei pelkkää muistia.
| Sija | Malli | Yhtiö | Tulos |
|---|---|---|---|
| #1 | GPT-5.4 pro | OpenAI | 94,4 % |
| #2 | Gemini 3.1 Pro | Google DeepMind | 94,3 % |
| #3 | GPT-5.4 | OpenAI | 92,8 % |
Näytä kaikki tulokset | 21.3.2026
| Sija | Malli | Yhtiö | Tulos |
|---|---|---|---|
| Ei julkaistuja rivejä tässä benchmarkissa. | |||
Näytä kaikki tulokset | 28.9.2025
| Sija | Malli | Yhtiö | Tulos |
|---|---|---|---|
| Ei julkaistuja rivejä tässä benchmarkissa. | |||
Näytä kaikki tulokset | 20.10.2025
HumanEval mittaa toimivan koodin tuottamista ohjelmointitehtävissä. Tulos kertoo ennen kaikkea koodigeneroinnin käytännön osuvuudesta.
| Sija | Malli | Yhtiö | Tulos |
|---|---|---|---|
| #1 | Codestral | Mistral AI | 86,6 % |
Näytä kaikki tulokset | 21.3.2026
Humanity's Last Exam mittaa laaja-alaista huipputason päättelyä matematiikasta humanistisiin aloihin. Se on tarkoituksella vaikea, joten erot mallien välillä näkyvät siinä tavallista selvemmin.
| Sija | Malli | Yhtiö | Tulos |
|---|---|---|---|
| #1 | Gemini 3.1 Deep Think | Google DeepMind | 48,4 % |
| #2 | Gemini 3.1 Pro | Google DeepMind | 44,4 % |
| #3 | GPT-5.4 pro | OpenAI | 42,7 % |
Näytä kaikki tulokset | 21.3.2026
Coding benchmark that tracks competitive and real-world coding tasks.
| Sija | Malli | Yhtiö | Tulos |
|---|---|---|---|
| #1 | Grok 4 | xAI | 79 % |
| #2 | Gemini 3.1 Flash-Lite | Google DeepMind | 72 % |
Näytä kaikki tulokset | 21.3.2026
Model Context Protocol benchmark for agent tool use and connector tasks.
| Sija | Malli | Yhtiö | Tulos |
|---|---|---|---|
| #1 | GPT-5.4 | OpenAI | 67,2 % |
| #2 | Claude Sonnet 4.6 | Anthropic | 61,3 % |
| #3 | Claude Opus 4.6 | Anthropic | 59,5 % |
Näytä kaikki tulokset | 21.3.2026
| Sija | Malli | Yhtiö | Tulos |
|---|---|---|---|
| Ei julkaistuja rivejä tässä benchmarkissa. | |||
Näytä kaikki tulokset | 21.3.2026
| Sija | Malli | Yhtiö | Tulos |
|---|---|---|---|
| #1 | Claude Opus 4.6 | Anthropic | 91,1 % |
| #2 | Claude Sonnet 4.6 | Anthropic | 89,3 % |
Näytä kaikki tulokset | 21.3.2026
| Sija | Malli | Yhtiö | Tulos |
|---|---|---|---|
| Ei julkaistuja rivejä tässä benchmarkissa. | |||
Näytä kaikki tulokset | 21.3.2026
Multimodal benchmark for advanced visual and textual reasoning.
| Sija | Malli | Yhtiö | Tulos |
|---|---|---|---|
| #1 | Gemini 3 Flash | Google DeepMind | 81,2 % |
| #2 | GPT-5.4 | OpenAI | 81,2 % |
| #3 | Gemini 3.1 Pro | Google DeepMind | 80,5 % |
Näytä kaikki tulokset | 21.3.2026
| Sija | Malli | Yhtiö | Tulos |
|---|---|---|---|
| #1 | Codestral | Mistral AI | 86,3 % |
Näytä kaikki tulokset | 21.3.2026
Computer use benchmark for desktop and operating-system task completion.
| Sija | Malli | Yhtiö | Tulos |
|---|---|---|---|
| #1 | GPT-5.4 | OpenAI | 75 % |
| #2 | Claude Opus 4.6 | Anthropic | 72,7 % |
| #3 | Claude Sonnet 4.6 | Anthropic | 72,5 % |
Näytä kaikki tulokset | 21.3.2026
| Sija | Malli | Yhtiö | Tulos |
|---|---|---|---|
| #1 | Codestral | Mistral AI | 47,9 % |
Näytä kaikki tulokset | 21.3.2026
| Sija | Malli | Yhtiö | Tulos |
|---|---|---|---|
| #1 | Grok 4.1 Fast | xAI | 63,9 % |
| #2 | Grok 4 | xAI | 58 % |
Näytä kaikki tulokset | 21.3.2026
| Sija | Malli | Yhtiö | Tulos |
|---|---|---|---|
| #1 | Grok 4 | xAI | 94 % |
Näytä kaikki tulokset | 21.3.2026
Software engineering benchmark that measures real repository issue resolution.
| Sija | Malli | Yhtiö | Tulos |
|---|---|---|---|
| #1 | Claude Opus 4.6 | Anthropic | 80,8 % |
| #2 | Gemini 3.1 Pro | Google DeepMind | 80,6 % |
| #3 | Claude Sonnet 4.6 | Anthropic | 79,6 % |
Näytä kaikki tulokset | 21.3.2026
SWE-Bench Pro mittaa pitkäkestoisia ohjelmistokehitystehtäviä oikeissa avoimen lähdekoodin koodikannoissa. Se on vaikeampi ja realistisempi koodausbenchmark kuin SWE-Bench Verified, joten erot agenttimallien välillä näkyvät selvemmin.
| Sija | Malli | Yhtiö | Tulos |
|---|---|---|---|
| #1 | GPT-5.4 | OpenAI | 57,7 % |
| #2 | GPT-5.3 Codex | OpenAI | 56,8 % |
| #3 | GPT-5.2 | OpenAI | 55,6 % |
Näytä kaikki tulokset | 16.1.2026
Agent benchmark focused on realistic retail support workflows.
| Sija | Malli | Yhtiö | Tulos |
|---|---|---|---|
| #1 | Claude Sonnet 4.6 | Anthropic | 91,7 % |
| #2 | Claude Opus 4.6 | Anthropic | 89,4 % |
Näytä kaikki tulokset | 21.3.2026
Agent benchmark focused on realistic telecom support workflows.
| Sija | Malli | Yhtiö | Tulos |
|---|---|---|---|
| #1 | Grok 4.1 Fast | xAI | 100 % |
| #2 | GPT-5.4 | OpenAI | 98,9 % |
| #3 | Claude Opus 4.6 | Anthropic | 98,4 % |
Näytä kaikki tulokset | 21.3.2026
| Sija | Malli | Yhtiö | Tulos |
|---|---|---|---|
| #1 | GPT-5.4 | OpenAI | 54,6 % |
Näytä kaikki tulokset | 21.3.2026
| Sija | Malli | Yhtiö | Tulos |
|---|---|---|---|
| #1 | Grok 4.1 Fast | xAI | 56,3 % |
| #2 | Grok 4 | xAI | 53,2 % |
Näytä kaikki tulokset | 21.3.2026
