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 | GPT-5 Codex | OpenAI | 45 score |
| #3 | Grok 4 | xAI | 42 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-6 Astra | OpenAI | 95 % |
| #2 | GPT-5.6 Sol | OpenAI | 92,5 % |
| #3 | Claude Opus 5 | Anthropic | 90,4 % |
Näytä kaikki tulokset | 7.9.2026
Interaktiivisen ongelmanratkaisun Standard-tulokset. GPT-6 Astra 62,71 %; Provider Adapter -ennätys 99,95 % käsitellään erikseen.
| Sija | Malli | Yhtiö | Tulos |
|---|---|---|---|
| #1 | GPT-6 Astra | OpenAI | 62,71 % |
| #2 | Claude Opus 5 | Anthropic | 30,16 % |
| #3 | GPT-5.6 Sol | OpenAI | 7,78 % |
Näytä kaikki tulokset | 7.9.2026
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 | Gemini 3.1 Pro | Google DeepMind | 85,9 % |
| #2 | Grok 4 | xAI | 43 % |
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 Haiku 4.5 | Anthropic | 71 % |
| #2 | Grok 4.20 Multi-Agent | xAI | 67 % |
| #3 | Grok 4.20 | xAI | 56 % |
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 | Gemini 3.1 Pro | Google DeepMind | 94,3 % |
| #2 | Grok 4 | xAI | 87,5 % |
| #3 | GPT-5 mini | OpenAI | 82,3 % |
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
HLE-Verified-version tulokset Googlen Gemini 3.8 Flash -vertailusta. Pidetään erillään alkuperäisestä HLE:stä ja sen työkalullisesta versiosta.
| Sija | Malli | Yhtiö | Tulos |
|---|---|---|---|
| #1 | Gemini 3.8 Flash | Google DeepMind | 54,9 % |
| #2 | GPT-5.6 Sol | OpenAI | 54,5 % |
| #3 | Claude Opus 5 | Anthropic | 54,4 % |
Näytä kaikki tulokset | 7.9.2026
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 | Claude Fable 5.1 | Anthropic | 60,9 % |
| #2 | Claude Opus 5 | Anthropic | 56,6 % |
| #3 | Gemini 3.1 Deep Think | Google DeepMind | 48,4 % |
Näytä kaikki tulokset | 7.9.2026
Alkuperäinen HLE työkalujen, kuten verkkonhaun ja koodin suorituksen, kanssa. Eri vertailu kuin etusivun työkaluton HLE.
| Sija | Malli | Yhtiö | Tulos |
|---|---|---|---|
| #1 | Claude Fable 5.1 | Anthropic | 65 % |
| #2 | Claude Opus 5 | Anthropic | 63,6 % |
| #3 | GPT-6 Astra | OpenAI | 57,2 % |
Näytä kaikki tulokset | 7.9.2026
Coding benchmark that tracks competitive and real-world coding tasks.
| Sija | Malli | Yhtiö | Tulos |
|---|---|---|---|
| #1 | Grok 4 | xAI | 79 % |
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
| 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
| Sija | Malli | Yhtiö | Tulos |
|---|---|---|---|
| #1 | 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
| Sija | Malli | Yhtiö | Tulos |
|---|---|---|---|
| Ei julkaistuja rivejä tässä benchmarkissa. | |||
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 | Gemini 3.1 Pro | Google DeepMind | 80,6 % |
| #2 | Claude Haiku 4.5 | Anthropic | 73,3 % |
| #3 | Grok Code Fast 1 | xAI | 70,8 % |
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 | Claude Fable 5.1 | Anthropic | 81,2 % |
| #2 | Claude Fable 5 | Anthropic | 80 % |
| #3 | Claude Opus 5 | Anthropic | 79,2 % |
Näytä kaikki tulokset | 7.9.2026
| Sija | Malli | Yhtiö | Tulos |
|---|---|---|---|
| Ei julkaistuja rivejä tässä benchmarkissa. | |||
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 % |
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 | Grok 4.1 Fast | xAI | 56,3 % |
| #2 | Grok 4 | xAI | 53,2 % |
Näytä kaikki tulokset | 21.3.2026
