Niveau 2: Specialisterne og hurtigløberne

Claude Opus 4.8 (Anthropic)

Før Fable 5's ankomst var Opus 4.8 den ubestridte konge. Lanceret i slutningen af maj 2026 er den nu den stærke næstkommanderende hos Anthropic og forbliver en topmodel i sig selv .

• Agentic & Generelt: Det var den første model til at føre Artificial Analysis Intelligence Index med en score på 61,4 og toppede GDPval-AA-leaderboardet med 1890 Elo, før den blev overhalet af Fable 5 .
• Kodning: Den scorer 69,2% på SWE-bench Pro og 88,6% på SWE-bench Verified .
• Matematik: Den demonstrerede et historisk spring på 27 point på den avancerede matematik-benchmark USAMO 2026, fra 69,3% til 96,7% på bare 41 dage .
• Ærlighed: Modellen har den laveste rate af faktuelle hallucinationer blandt sine konkurrenter, primært ved at afstå fra at svare, når den er usikker, i stedet for at gætte .

GPT-5.5 (OpenAI)

GPT-5.5, lanceret i slutningen af april 2026, var den første model i denne generation, der generobrede den samlede præstationsføring for OpenAI, dog med et mere specialiseret kompetencesæt .

• Matematisk Ræsonnement: Det er den markante matematikmodel og scorer 51,7% på FrontierMath Tier 1-3 og 35,4% på det umuligt svære Tier 4 – en klar føring over feltet .
• Autonom Kommandolinje (CLI): Den fører også på Terminal-Bench 2.0 med en score på 82,7% for komplekse kommandolinjeopgaver, sammenlignet med Claude Opus 4.7's 69,4% .
• Lang Kontekst: GPT-5.5 lavede et spring på 37 point i langkontekst-genfinding (MRCR v2) og scorede 74,0% ved en kontekst på 1M tokens, hvilket efterlod forgængerens 36,6% langt bagude .
• Kodningsforbehold: Selvom det er en stærk allrounder, halter dens SWE-Bench Pro-score på 58,6% nu betydeligt efter Anthropics modeller .

Gemini 3.5 Flash (Google)

Denne model debuterede ved Google I/O 2026 og er et 'Flash'-klassetilbud, hvilket betyder, at den er designet til hastighed og omkostningseffektivitet uden at give afkald på evnen til at slå over sin vægtklasse .

• Hastighed og Værdi: Den er angiveligt 4 gange hurtigere end Gemini 3.1 Pro til agent- og kodningsopgaver med konkurrencedygtige priser .
• Agentic & Værktøjsbrug: Den scorer stærke 83,6% på MCP Atlas, en benchmark for flertrins-værktøjsbrug .
• Kodning & Vision: På SWE-Bench Pro er dens score på 55,1% en smule over sin større forgænger, Gemini 3.1 Pro, og den scorer 84,2% på CharXiv, en benchmark for visuelt ræsonnement .
• Realitetstjek for Kodning: Uafhængige data fra Artificial Analysis antyder, at dens kodningsresultater er betydeligt svagere, end Googles egne sammenligninger viser, så dens praktiske anvendelighed for udviklere bliver stadig valideret .

Grok 4.3 (xAI)

Lanceret stille og roligt i slutningen af april 2026 er Grok 4.3 et træk inden for omkostningseffektivitet og hastighed, der excellerer inden for nicheområder .

• Generel Status: Den scorer 53 på Artificial Analysis Intelligence Index. Dette placerer den over mellemklassemodeller som Claude Sonnet 4.6, men et godt stykke under topmodellerne GPT-5.5, Claude Opus 4.7 og Gemini 3.1 Pro .
• Konge af Instruktionsopfølgning: Den rangerer som #1 på IFBench med en score på 81% og slår dermed GPT-5.5, Gemini 3.1 Pro og Claude Opus 4.7 .
• Agentic Boom: Grok 4.3 viser et massivt spring på +321 Elo-point på GDPval-AA-benchmarken for agentiske opgaver i forhold til sin forgænger og når en score på 1500 . Den scorer også feltførende 98% på τ²-Bench Telecom-benchmarken .
• Hurtigløber: Tidlige rapporter angiver dens hastighed til 159 tokens per sekund, mens andre benchmarks viser hastigheder mellem 78,4 og 196 tokens/s .
• Priser & Begrænsninger: Med en aggressiv pris på anslået 1,25$/2,50$ per million tokens (input/output) er det et stærkt værditilbud til specifikke domæner, men det er ikke en konkurrent inden for generel intelligens .

Open Source-udfordreren: DeepSeek V4 Pro (DeepSeek AI)

Lanceret i april 2026 er DeepSeek V4 Pro den stærkeste open source-udfordrer, der tilbyder en utrolig kodningsværdi, men med et kritisk uafhængigt forbehold.

• Leder i Kodningsværdi: Den scorer imponerende 80,6% på SWE-bench Verified og 93,5% på LiveCodeBench, hvilket bringer den inden for en hårsbredde af Claude Opus 4.6 inden for kodning til en brøkdel af prisen (anslået ~3,48$/M output tokens) .
• CAISI-dommen: En uafhængig evaluering fra den amerikanske regerings CAISI (Center for AI Safety and International Standards) fandt, at DeepSeek V4's evner var omkring 8 måneder bagud i forhold til frontlinjen. Mens DeepSeeks egne data sammenlignede den med GPT-5.4, placerer CAISI dens ydeevne tættere på GPT-5 fra august 2025 .
• Samlet Rangering: Den halter bagefter inden for generel viden og komplekst ræsonnement sammenlignet med proprietære giganter og rangerer som #39 ud af 123 modeller på et bredere leaderboard .

Sikkerhed & Uafhængige Evalueringer

Uafhængig, standardiseret sikkerhedstestning er stadig sjælden og ofte upubliceret.

• DeepSeek V4 Pro (CAISI/NIST): Den amerikanske regerings evaluering forbliver det mest bemærkelsesværdige sikkerhedssignal og konkluderede, at dens evner var omkring 8 måneder bag frontlinjen .
• GPT-5.5 (AI Security Institute): Det britiske AI Security Institute rapporterede, at GPT-5.5 havde en beståelsesrate på 71,4% på deres ekspertniveau-cyberopgaver og bemærkede, at det "kan være den stærkeste model, vi har testet" på dette mål .

Sådan skal du tolke disse resultater

Det er fristende at krone en enkelt vinder, men dataene tegner et mere praktisk billede:

• Til ren kodningsevne og agentic opgaver er Claude Fable 5 i en klasse for sig.
• Til tung matematisk ræsonnering og autonomt kommandolinjearbejde er GPT-5.5 det foretrukne værktøj.
• Til en balanceret, omkostningseffektiv model, der er hurtig og pålidelig, er Gemini 3.5 Flash en overbevisende mulighed, selvom du bør validere dens kodningspåstande til dit specifikke brug.
• Har du brug for en specialist inden for juridisk ræsonnement, finans eller instruktionsopfølgning til en lav pris, er Grok 4.3 et overraskende potent valg.
• Bygger du på et budget og har brug for topklasse-kodning med en open source-licens, er DeepSeek V4 Pro uovertruffen i værdi, men dens sofistikering i den virkelige verden matcher måske ikke de allerbedste.

Husk altid, at benchmark-betingelser varierer (prompting, værktøjsbrug, ræsonneringsindsats) og ikke er en perfekt forudsigelse for din specifikke anvendelse.

Niveau 2: Specialisterne og hurtigløberne

Claude Opus 4.8 (Anthropic)

Før Fable 5's ankomst var Opus 4.8 den ubestridte konge. Lanceret i slutningen af maj 2026 er den nu den stærke næstkommanderende hos Anthropic og forbliver en topmodel i sig selv .

• Agentic & Generelt: Det var den første model til at føre Artificial Analysis Intelligence Index med en score på 61,4 og toppede GDPval-AA-leaderboardet med 1890 Elo, før den blev overhalet af Fable 5 .
• Kodning: Den scorer 69,2% på SWE-bench Pro og 88,6% på SWE-bench Verified .
• Matematik: Den demonstrerede et historisk spring på 27 point på den avancerede matematik-benchmark USAMO 2026, fra 69,3% til 96,7% på bare 41 dage .
• Ærlighed: Modellen har den laveste rate af faktuelle hallucinationer blandt sine konkurrenter, primært ved at afstå fra at svare, når den er usikker, i stedet for at gætte .

GPT-5.5 (OpenAI)

GPT-5.5, lanceret i slutningen af april 2026, var den første model i denne generation, der generobrede den samlede præstationsføring for OpenAI, dog med et mere specialiseret kompetencesæt .

• Matematisk Ræsonnement: Det er den markante matematikmodel og scorer 51,7% på FrontierMath Tier 1-3 og 35,4% på det umuligt svære Tier 4 – en klar føring over feltet .
• Autonom Kommandolinje (CLI): Den fører også på Terminal-Bench 2.0 med en score på 82,7% for komplekse kommandolinjeopgaver, sammenlignet med Claude Opus 4.7's 69,4% .
• Lang Kontekst: GPT-5.5 lavede et spring på 37 point i langkontekst-genfinding (MRCR v2) og scorede 74,0% ved en kontekst på 1M tokens, hvilket efterlod forgængerens 36,6% langt bagude .
• Kodningsforbehold: Selvom det er en stærk allrounder, halter dens SWE-Bench Pro-score på 58,6% nu betydeligt efter Anthropics modeller .

Gemini 3.5 Flash (Google)

Denne model debuterede ved Google I/O 2026 og er et 'Flash'-klassetilbud, hvilket betyder, at den er designet til hastighed og omkostningseffektivitet uden at give afkald på evnen til at slå over sin vægtklasse .

• Hastighed og Værdi: Den er angiveligt 4 gange hurtigere end Gemini 3.1 Pro til agent- og kodningsopgaver med konkurrencedygtige priser .
• Agentic & Værktøjsbrug: Den scorer stærke 83,6% på MCP Atlas, en benchmark for flertrins-værktøjsbrug .
• Kodning & Vision: På SWE-Bench Pro er dens score på 55,1% en smule over sin større forgænger, Gemini 3.1 Pro, og den scorer 84,2% på CharXiv, en benchmark for visuelt ræsonnement .
• Realitetstjek for Kodning: Uafhængige data fra Artificial Analysis antyder, at dens kodningsresultater er betydeligt svagere, end Googles egne sammenligninger viser, så dens praktiske anvendelighed for udviklere bliver stadig valideret .

Grok 4.3 (xAI)

Lanceret stille og roligt i slutningen af april 2026 er Grok 4.3 et træk inden for omkostningseffektivitet og hastighed, der excellerer inden for nicheområder .

• Generel Status: Den scorer 53 på Artificial Analysis Intelligence Index. Dette placerer den over mellemklassemodeller som Claude Sonnet 4.6, men et godt stykke under topmodellerne GPT-5.5, Claude Opus 4.7 og Gemini 3.1 Pro .
• Konge af Instruktionsopfølgning: Den rangerer som #1 på IFBench med en score på 81% og slår dermed GPT-5.5, Gemini 3.1 Pro og Claude Opus 4.7 .
• Agentic Boom: Grok 4.3 viser et massivt spring på +321 Elo-point på GDPval-AA-benchmarken for agentiske opgaver i forhold til sin forgænger og når en score på 1500 . Den scorer også feltførende 98% på τ²-Bench Telecom-benchmarken .
• Hurtigløber: Tidlige rapporter angiver dens hastighed til 159 tokens per sekund, mens andre benchmarks viser hastigheder mellem 78,4 og 196 tokens/s .
• Priser & Begrænsninger: Med en aggressiv pris på anslået 1,25$/2,50$ per million tokens (input/output) er det et stærkt værditilbud til specifikke domæner, men det er ikke en konkurrent inden for generel intelligens .

Open Source-udfordreren: DeepSeek V4 Pro (DeepSeek AI)

Lanceret i april 2026 er DeepSeek V4 Pro den stærkeste open source-udfordrer, der tilbyder en utrolig kodningsværdi, men med et kritisk uafhængigt forbehold.

• Leder i Kodningsværdi: Den scorer imponerende 80,6% på SWE-bench Verified og 93,5% på LiveCodeBench, hvilket bringer den inden for en hårsbredde af Claude Opus 4.6 inden for kodning til en brøkdel af prisen (anslået ~3,48$/M output tokens) .
• CAISI-dommen: En uafhængig evaluering fra den amerikanske regerings CAISI (Center for AI Safety and International Standards) fandt, at DeepSeek V4's evner var omkring 8 måneder bagud i forhold til frontlinjen. Mens DeepSeeks egne data sammenlignede den med GPT-5.4, placerer CAISI dens ydeevne tættere på GPT-5 fra august 2025 .
• Samlet Rangering: Den halter bagefter inden for generel viden og komplekst ræsonnement sammenlignet med proprietære giganter og rangerer som #39 ud af 123 modeller på et bredere leaderboard .

Sikkerhed & Uafhængige Evalueringer

Uafhængig, standardiseret sikkerhedstestning er stadig sjælden og ofte upubliceret.

• DeepSeek V4 Pro (CAISI/NIST): Den amerikanske regerings evaluering forbliver det mest bemærkelsesværdige sikkerhedssignal og konkluderede, at dens evner var omkring 8 måneder bag frontlinjen .
• GPT-5.5 (AI Security Institute): Det britiske AI Security Institute rapporterede, at GPT-5.5 havde en beståelsesrate på 71,4% på deres ekspertniveau-cyberopgaver og bemærkede, at det "kan være den stærkeste model, vi har testet" på dette mål .

Sådan skal du tolke disse resultater

Det er fristende at krone en enkelt vinder, men dataene tegner et mere praktisk billede:

• Til ren kodningsevne og agentic opgaver er Claude Fable 5 i en klasse for sig.
• Til tung matematisk ræsonnering og autonomt kommandolinjearbejde er GPT-5.5 det foretrukne værktøj.
• Til en balanceret, omkostningseffektiv model, der er hurtig og pålidelig, er Gemini 3.5 Flash en overbevisende mulighed, selvom du bør validere dens kodningspåstande til dit specifikke brug.
• Har du brug for en specialist inden for juridisk ræsonnement, finans eller instruktionsopfølgning til en lav pris, er Grok 4.3 et overraskende potent valg.
• Bygger du på et budget og har brug for topklasse-kodning med en open source-licens, er DeepSeek V4 Pro uovertruffen i værdi, men dens sofistikering i den virkelige verden matcher måske ikke de allerbedste.

Husk altid, at benchmark-betingelser varierer (prompting, værktøjsbrug, ræsonneringsindsats) og ikke er en perfekt forudsigelse for din specifikke anvendelse.