Benchmark
Alkuperäinen HLE työkalujen, kuten verkkonhaun ja koodin suorituksen, kanssa. Eri vertailu kuin etusivun työkaluton HLE.
Kärkitulos 65 %
Mediaani 63,6 %
Tuloshaitari 57,2 % - 65 %
Tulostaulukko
| Sija | Malli | Tulos | Lähde |
|---|---|---|---|
| #1 | 65 % | ||
| #2 | 63,6 % | ||
| #3 | 57,2 % |
Tietoa benchmarkista
- Lähde
- OpenAI ja Anthropic
- Päivitetty
- 7.9.2026
- Linkki
- Avaa lähde
Tässä vertailussa malli voi käyttää ulkoisia työkaluja vaikeiden asiantuntijakysymysten ratkaisemiseen. Tulokset on luettu käsin OpenAI:n Astra-julkaisusta ja tarkistettu Claude-mallien osalta Anthropicin Fable-vertailusta 7.9.2026.
Taulukon luvut ovat valmistajien raportoimia. Työkalut, päättelybudjetit ja arviointiympäristöt voivat poiketa toisistaan. Tulosta ei voi verrata suoraan HLE:hen ilman työkaluja tai HLE-Verifiediin.
Lähteet: OpenAI:n taulukko: Humanity’s Last Exam (w/ tools) ja Anthropicin Fable-vertailu. Julkaisemattomille tuloksille ei anneta nollapisteitä.