Siapa Juara AI? Perbandingan Kelima Model Frontier Terkini
GPT‑5.5 mendahului penanda aras ejenik secara keseluruhan dengan skor 82.7% pada Terminal‑Bench 2.0 dan 84.9% pada GDPval, mengatasi pesaing dalam tugasan pelbagai langkah yang kompleks. Claude Opus 4.7 kekal sebagai model terbaik untuk kejuruteraan perisian dengan 87.6% pada SWE‑bench Verified dan 64.3% pada SWE‑be...
Diterbitkan olehDisunting dengan GPT-5.5Imej dijana dengan GPT Image 2
GPT‑5.5 mendahului penanda aras ejenik secara keseluruhan dengan skor 82.7% pada Terminal‑Bench 2.0 dan 84.9% pada GDPval, mengatasi pesaing dalam tugasan pelbagai langkah yang kompleks.
Claude Opus 4.7 kekal sebagai model terbaik untuk kejuruteraan perisian dengan 87.6% pada SWE‑bench Verified dan 64.3% pada SWE‑bench Pro, unggul dalam menyelesaikan pepijat GitHub sebenar.
DeepSeek V4 Pro menonjol sebagai model sumber terbuka paling berkuasa dalam kumpulan ini, tetapi penilaian bebas NIST menunjukkan ia masih ketinggalan kira‑kira lapan bulan di belakang model frontier tertutup.
Research benchmarks for Gemini 3.5 Flash, GPT 5.5, Claude Opus 4.7, Grok 4.3, DeepSeek V4, Qwen3.7-Max and compare them as comprehensively aFrontier AI models are increasingly compared using agentic, coding, and reasoning benchmarks.
AI Prompt
Create a landscape editorial hero image for this Studio Global article: Research benchmarks for Gemini 3.5 Flash, GPT 5.5, Claude Opus 4.7, Grok 4.3, DeepSeek V4, Qwen3.7-Max and compare them as comprehensively a. Article summary: No single public suite in this evidence set compares all six models in exactly the same configuration. The available evidence mixes Terminal-Bench 2.0, 2.1, and Hard; SWE-bench Pro and Verified; GDPval and GDPval-AA; and. Topic tags: deepresearch, documentation, general web, user generated, government. Reference image context from search candidates: Reference image 1: visual subject "# Deep|DeepSeek V4 vs Claude vs GPT-5.4: A 38-Task Benchmark Across Coding, Reasoning, and Financial Research. * **Claude Opus 4.6 (Thinking) and Claude Opus 4.7 tie for #1 overall" source context "Deep|DeepSeek V4 vs Claude vs GPT-5.4: A 38-Task Benchmark ..." Reference image 2: v
openai.com
Model-model AI frontier kini dinilai menggunakan pelbagai penanda aras khusus yang merangkumi ejen pengekodan, aliran kerja pelbagai langkah, penaakulan, dan kerja pengetahuan dunia sebenar. Keluaran terbaharu — termasuk GPT‑5.5, Claude Opus 4.7, Gemini 3.5 Flash, Grok 4.3 dan DeepSeek V4 — menunjukkan prestasi yang mengagumkan, namun landskap penanda aras masih bersifat serpihan. Makmal yang berbeza menggunakan set ujian, versi dan mod penaakulan yang berbeza, menyebabkan perbandingan yang setara sukar dilakukan.
Berikut adalah sintesis hasil penanda aras yang paling banyak dirujuk pada tahun 2026 dan apa yang ia katakan tentang kekuatan setiap model.
Masalah penanda aras: perbandingan setara sukar diperoleh
Tiada satu papan pendahulu awam yang menilai semua model frontier utama dalam tetapan yang seragam. Sebaliknya, bukti diperoleh daripada keluarga penanda aras yang bertindih seperti Terminal‑Bench, SWE‑bench, GDPval, OSWorld dan lain‑lain.
Ujian ini mengukur aspek kecerdasan yang berbeza:
Terminal‑Bench: aliran kerja pengekodan dan ejen dalam persekitaran baris arahan.
SWE‑bench: penyelesaian isu GitHub sebenar dan tugas kejuruteraan perisian pengeluaran.
GDPval: kerja pengetahuan yang bernilai ekonomi merentas pelbagai profesion.
OSWorld: tugas penggunaan komputer seperti menavigasi persekitaran perisian.
Oleh kerana vendor model sering melaporkan keputusan pada versi berbeza atau dengan tetapan penaakulan yang berbeza, kedudukan keseluruhan merentas model memerlukan tafsiran dan bukannya skor definitif.
GPT‑5.5: profil penanda aras ejenik keseluruhan terkuat
GPT‑5.5 dari OpenAI kini menawarkan salah satu portfolio penanda aras keseluruhan yang terkuat untuk aliran kerja ejenik umum.
Keputusan utama yang diterbitkan termasuk:
Terminal‑Bench 2.0: 82.7%
GDPval: 84.9% menang atau seri dengan pakar manusia
OSWorld‑Verified: 78.7%
SWE‑bench Pro: 58.6%
Terminal‑Bench khususnya mengukur aliran kerja baris arahan pelbagai langkah yang kompleks yang memerlukan perancangan dan penggunaan alat, di mana skor 82.7% GPT‑5.5 mendahului jadual perbandingan yang diterbitkan semasa pelancaran.
Studio Global AI
Continue your research
This page includes a source-backed answer you can continue inside Studio Global.
What is the short answer to "Siapa Juara AI? Perbandingan Kelima Model Frontier Terkini"?
GPT‑5.5 mendahului penanda aras ejenik secara keseluruhan dengan skor 82.7% pada Terminal‑Bench 2.0 dan 84.9% pada GDPval, mengatasi pesaing dalam tugasan pelbagai langkah yang kompleks.
What are the key points to validate first?
GPT‑5.5 mendahului penanda aras ejenik secara keseluruhan dengan skor 82.7% pada Terminal‑Bench 2.0 dan 84.9% pada GDPval, mengatasi pesaing dalam tugasan pelbagai langkah yang kompleks. Claude Opus 4.7 kekal sebagai model terbaik untuk kejuruteraan perisian dengan 87.6% pada SWE‑bench Verified dan 64.3% pada SWE‑bench Pro, unggul dalam menyelesaikan pepijat GitHub sebenar.
What should I do next in practice?
DeepSeek V4 Pro menonjol sebagai model sumber terbuka paling berkuasa dalam kumpulan ini, tetapi penilaian bebas NIST menunjukkan ia masih ketinggalan kira‑kira lapan bulan di belakang model frontier tertutup.
Siapa Juara AI? Perbandingan Kelima Model Frontier Terkini
GPT‑5.5 mendahului penanda aras ejenik secara keseluruhan dengan skor 82.7% pada Terminal‑Bench 2.0 dan 84.9% pada GDPval, mengatasi pesaing dalam tugasan pelbagai langkah yang kompleks. Claude Opus 4.7 kekal sebagai model terbaik untuk kejuruteraan perisian dengan 87.6% pada SWE‑bench Verified dan 64.3% pada SWE‑be...
Diterbitkan olehDisunting dengan GPT-5.5Imej dijana dengan GPT Image 2
GPT‑5.5 mendahului penanda aras ejenik secara keseluruhan dengan skor 82.7% pada Terminal‑Bench 2.0 dan 84.9% pada GDPval, mengatasi pesaing dalam tugasan pelbagai langkah yang kompleks.
Claude Opus 4.7 kekal sebagai model terbaik untuk kejuruteraan perisian dengan 87.6% pada SWE‑bench Verified dan 64.3% pada SWE‑bench Pro, unggul dalam menyelesaikan pepijat GitHub sebenar.
DeepSeek V4 Pro menonjol sebagai model sumber terbuka paling berkuasa dalam kumpulan ini, tetapi penilaian bebas NIST menunjukkan ia masih ketinggalan kira‑kira lapan bulan di belakang model frontier tertutup.
Research benchmarks for Gemini 3.5 Flash, GPT 5.5, Claude Opus 4.7, Grok 4.3, DeepSeek V4, Qwen3.7-Max and compare them as comprehensively aFrontier AI models are increasingly compared using agentic, coding, and reasoning benchmarks.
AI Prompt
Create a landscape editorial hero image for this Studio Global article: Research benchmarks for Gemini 3.5 Flash, GPT 5.5, Claude Opus 4.7, Grok 4.3, DeepSeek V4, Qwen3.7-Max and compare them as comprehensively a. Article summary: No single public suite in this evidence set compares all six models in exactly the same configuration. The available evidence mixes Terminal-Bench 2.0, 2.1, and Hard; SWE-bench Pro and Verified; GDPval and GDPval-AA; and. Topic tags: deepresearch, documentation, general web, user generated, government. Reference image context from search candidates: Reference image 1: visual subject "# Deep|DeepSeek V4 vs Claude vs GPT-5.4: A 38-Task Benchmark Across Coding, Reasoning, and Financial Research. * **Claude Opus 4.6 (Thinking) and Claude Opus 4.7 tie for #1 overall" source context "Deep|DeepSeek V4 vs Claude vs GPT-5.4: A 38-Task Benchmark ..." Reference image 2: v
openai.com
Model-model AI frontier kini dinilai menggunakan pelbagai penanda aras khusus yang merangkumi ejen pengekodan, aliran kerja pelbagai langkah, penaakulan, dan kerja pengetahuan dunia sebenar. Keluaran terbaharu — termasuk GPT‑5.5, Claude Opus 4.7, Gemini 3.5 Flash, Grok 4.3 dan DeepSeek V4 — menunjukkan prestasi yang mengagumkan, namun landskap penanda aras masih bersifat serpihan. Makmal yang berbeza menggunakan set ujian, versi dan mod penaakulan yang berbeza, menyebabkan perbandingan yang setara sukar dilakukan.
Berikut adalah sintesis hasil penanda aras yang paling banyak dirujuk pada tahun 2026 dan apa yang ia katakan tentang kekuatan setiap model.
Masalah penanda aras: perbandingan setara sukar diperoleh
Tiada satu papan pendahulu awam yang menilai semua model frontier utama dalam tetapan yang seragam. Sebaliknya, bukti diperoleh daripada keluarga penanda aras yang bertindih seperti Terminal‑Bench, SWE‑bench, GDPval, OSWorld dan lain‑lain.
Ujian ini mengukur aspek kecerdasan yang berbeza:
Terminal‑Bench: aliran kerja pengekodan dan ejen dalam persekitaran baris arahan.
SWE‑bench: penyelesaian isu GitHub sebenar dan tugas kejuruteraan perisian pengeluaran.
GDPval: kerja pengetahuan yang bernilai ekonomi merentas pelbagai profesion.
OSWorld: tugas penggunaan komputer seperti menavigasi persekitaran perisian.
Oleh kerana vendor model sering melaporkan keputusan pada versi berbeza atau dengan tetapan penaakulan yang berbeza, kedudukan keseluruhan merentas model memerlukan tafsiran dan bukannya skor definitif.
GPT‑5.5: profil penanda aras ejenik keseluruhan terkuat
GPT‑5.5 dari OpenAI kini menawarkan salah satu portfolio penanda aras keseluruhan yang terkuat untuk aliran kerja ejenik umum.
Keputusan utama yang diterbitkan termasuk:
Terminal‑Bench 2.0: 82.7%
GDPval: 84.9% menang atau seri dengan pakar manusia
OSWorld‑Verified: 78.7%
SWE‑bench Pro: 58.6%
Terminal‑Bench khususnya mengukur aliran kerja baris arahan pelbagai langkah yang kompleks yang memerlukan perancangan dan penggunaan alat, di mana skor 82.7% GPT‑5.5 mendahului jadual perbandingan yang diterbitkan semasa pelancaran.
Studio Global AI
Continue your research
This page includes a source-backed answer you can continue inside Studio Global.
What is the short answer to "Siapa Juara AI? Perbandingan Kelima Model Frontier Terkini"?
GPT‑5.5 mendahului penanda aras ejenik secara keseluruhan dengan skor 82.7% pada Terminal‑Bench 2.0 dan 84.9% pada GDPval, mengatasi pesaing dalam tugasan pelbagai langkah yang kompleks.
What are the key points to validate first?
GPT‑5.5 mendahului penanda aras ejenik secara keseluruhan dengan skor 82.7% pada Terminal‑Bench 2.0 dan 84.9% pada GDPval, mengatasi pesaing dalam tugasan pelbagai langkah yang kompleks. Claude Opus 4.7 kekal sebagai model terbaik untuk kejuruteraan perisian dengan 87.6% pada SWE‑bench Verified dan 64.3% pada SWE‑bench Pro, unggul dalam menyelesaikan pepijat GitHub sebenar.
What should I do next in practice?
DeepSeek V4 Pro menonjol sebagai model sumber terbuka paling berkuasa dalam kumpulan ini, tetapi penilaian bebas NIST menunjukkan ia masih ketinggalan kira‑kira lapan bulan di belakang model frontier tertutup.
Model ini juga berprestasi kukuh pada penanda aras kerja pengetahuan: GDPval menilai tugas merentas berpuluh-puluh profesion termasuk undang-undang, kewangan dan pengurusan produk, di mana GPT‑5.5 sepadan atau mengalahkan profesional dalam kira-kira 84.9% perbandingan.
Secara keseluruhan, angka ini menunjukkan GPT‑5.5 amat kuat dalam tugasan autonomi pelbagai langkah dan aliran kerja ejenik.
Claude Opus 4.7: model terbaik untuk penanda aras pengekodan
Claude Opus 4.7 dari Anthropic dianggap secara meluas sebagai salah satu model terkuat untuk tugas kejuruteraan perisian.
Keputusan penanda aras paling menonjol termasuk:
SWE‑bench Verified: 87.6%
SWE‑bench Pro: 64.3%
GPQA Diamond: 94.2%
Terminal‑Bench 2.0: 69.4%
SWE‑bench menilai sama ada model boleh membetulkan pepijat sebenar dalam repositori sumber terbuka. Keupayaan Opus 4.7 menyelesaikan 87.6% tugas SWE‑bench Verified merupakan peningkatan ketara berbanding pendahulunya dan meletakkannya antara model terbaik untuk ejen pengekodan.
Walaupun skor Terminal‑Benchnya di belakang GPT‑5.5, penanda aras berpusat pengekodannya kekal antara yang terkuat dalam perbandingan awam.
Gemini 3.5 Flash: prestasi tinggi dengan kelajuan jauh lebih pantas
Gemini 3.5 Flash dari Google agak luar biasa kerana ia diposisikan sebagai model pantas dan cekap kos dan bukannya model utama — namun ia masih mencatatkan keputusan kompetitif pada beberapa penanda aras ejenik.
Keputusan yang dilaporkan termasuk:
Terminal‑Bench 2.1: 76.2%
MCP Atlas: 83.6%
GDPval‑AA: 1656 Elo
CharXiv penaakulan: 84.2%
Google menyatakan model ini berjalan kira-kira empat kali lebih pantas daripada model frontier setanding sambil mengatasi Gemini 3.1 Pro yang lebih awal pada beberapa penanda aras ejen dan pengekodan.
Dalam amalan, kekuatan utama Gemini 3.5 Flash ialah pertukaran kelajuan-keupayaan: ia memberikan keputusan penanda aras hampir setanding model utama sambil menyasarkan kependaman rendah dan beban kerja pengeluaran.
DeepSeek V4: pencabar sumber terbuka yang berkuasa
DeepSeek V4 menonjol kerana ia merupakan salah satu model sumber terbuka paling berkemampuan yang dikeluarkan setakat ini.
Keluarga model ini merangkumi dua varian:
V4‑Pro (model campuran pakar besar)
V4‑Flash (varian lebih ringan dan cekap)
Menurut laporan teknikal model dan ringkasan penanda arasnya, V4‑Pro dalam mod penaakulan maksimum mencapai:
SWE‑bench Verified: 80.6%
GPQA Diamond: 90.1%
LiveCodeBench: 93.5%
Keputusan ini meletakkannya hampir dengan model proprietari terkemuka dalam beberapa penanda aras pengekodan.
Walau bagaimanapun, penilaian bebas oleh program CAISI Institut Piawaian dan Teknologi Amerika Syarikat (NIST) mendapati keupayaan model ini ketinggalan di belakang frontier kira-kira lapan bulan, menonjolkan jurang antara keputusan yang dilaporkan sendiri dan keputusan bebas.
Grok 4.3: peningkatan ketara tetapi bukan peneraju frontier yang jelas
Grok 4.3 dari xAI mewakili peningkatan besar berbanding model Grok sebelumnya, terutamanya pada penanda aras tugas ejenik.
Angka yang diterbitkan termasuk:
Indeks Kecerdasan Artificial Analysis: ~53
GDPval‑AA: ~1500 Elo
τ²‑Bench Telecom: 98%
IFBench: 81%
Lonjakan lebih daripada 300 Elo pada GDPval‑AA berbanding versi Grok sebelumnya menunjukkan kemajuan besar dalam automasi tugas dunia sebenar.
Namun, analisis pihak ketiga secara umum meletakkan model ini di bawah sistem OpenAI dan Anthropic terbaharu pada penanda aras keupayaan keseluruhan.
Apa yang dicadangkan oleh bukti penanda aras secara keseluruhan
Melihat merentas penilaian ini, corak yang konsisten muncul:
Model ini juga berprestasi kukuh pada penanda aras kerja pengetahuan: GDPval menilai tugas merentas berpuluh-puluh profesion termasuk undang-undang, kewangan dan pengurusan produk, di mana GPT‑5.5 sepadan atau mengalahkan profesional dalam kira-kira 84.9% perbandingan.
Secara keseluruhan, angka ini menunjukkan GPT‑5.5 amat kuat dalam tugasan autonomi pelbagai langkah dan aliran kerja ejenik.
Claude Opus 4.7: model terbaik untuk penanda aras pengekodan
Claude Opus 4.7 dari Anthropic dianggap secara meluas sebagai salah satu model terkuat untuk tugas kejuruteraan perisian.
Keputusan penanda aras paling menonjol termasuk:
SWE‑bench Verified: 87.6%
SWE‑bench Pro: 64.3%
GPQA Diamond: 94.2%
Terminal‑Bench 2.0: 69.4%
SWE‑bench menilai sama ada model boleh membetulkan pepijat sebenar dalam repositori sumber terbuka. Keupayaan Opus 4.7 menyelesaikan 87.6% tugas SWE‑bench Verified merupakan peningkatan ketara berbanding pendahulunya dan meletakkannya antara model terbaik untuk ejen pengekodan.
Walaupun skor Terminal‑Benchnya di belakang GPT‑5.5, penanda aras berpusat pengekodannya kekal antara yang terkuat dalam perbandingan awam.
Gemini 3.5 Flash: prestasi tinggi dengan kelajuan jauh lebih pantas
Gemini 3.5 Flash dari Google agak luar biasa kerana ia diposisikan sebagai model pantas dan cekap kos dan bukannya model utama — namun ia masih mencatatkan keputusan kompetitif pada beberapa penanda aras ejenik.
Keputusan yang dilaporkan termasuk:
Terminal‑Bench 2.1: 76.2%
MCP Atlas: 83.6%
GDPval‑AA: 1656 Elo
CharXiv penaakulan: 84.2%
Google menyatakan model ini berjalan kira-kira empat kali lebih pantas daripada model frontier setanding sambil mengatasi Gemini 3.1 Pro yang lebih awal pada beberapa penanda aras ejen dan pengekodan.
Dalam amalan, kekuatan utama Gemini 3.5 Flash ialah pertukaran kelajuan-keupayaan: ia memberikan keputusan penanda aras hampir setanding model utama sambil menyasarkan kependaman rendah dan beban kerja pengeluaran.
DeepSeek V4: pencabar sumber terbuka yang berkuasa
DeepSeek V4 menonjol kerana ia merupakan salah satu model sumber terbuka paling berkemampuan yang dikeluarkan setakat ini.
Keluarga model ini merangkumi dua varian:
V4‑Pro (model campuran pakar besar)
V4‑Flash (varian lebih ringan dan cekap)
Menurut laporan teknikal model dan ringkasan penanda arasnya, V4‑Pro dalam mod penaakulan maksimum mencapai:
SWE‑bench Verified: 80.6%
GPQA Diamond: 90.1%
LiveCodeBench: 93.5%
Keputusan ini meletakkannya hampir dengan model proprietari terkemuka dalam beberapa penanda aras pengekodan.
Walau bagaimanapun, penilaian bebas oleh program CAISI Institut Piawaian dan Teknologi Amerika Syarikat (NIST) mendapati keupayaan model ini ketinggalan di belakang frontier kira-kira lapan bulan, menonjolkan jurang antara keputusan yang dilaporkan sendiri dan keputusan bebas.
Grok 4.3: peningkatan ketara tetapi bukan peneraju frontier yang jelas
Grok 4.3 dari xAI mewakili peningkatan besar berbanding model Grok sebelumnya, terutamanya pada penanda aras tugas ejenik.
Angka yang diterbitkan termasuk:
Indeks Kecerdasan Artificial Analysis: ~53
GDPval‑AA: ~1500 Elo
τ²‑Bench Telecom: 98%
IFBench: 81%
Lonjakan lebih daripada 300 Elo pada GDPval‑AA berbanding versi Grok sebelumnya menunjukkan kemajuan besar dalam automasi tugas dunia sebenar.
Namun, analisis pihak ketiga secara umum meletakkan model ini di bawah sistem OpenAI dan Anthropic terbaharu pada penanda aras keupayaan keseluruhan.
Apa yang dicadangkan oleh bukti penanda aras secara keseluruhan
Melihat merentas penilaian ini, corak yang konsisten muncul:
ofox.aiGPT-5.5 Released: First Fully Retrained Base Model Since GPT-4.5 ...
openai.comIntroducing GPT-5.5 - OpenAI
decodethefuture.orgIntroducing GPT-5.5: 9 Key Benchmarks and API Facts
lbank.comKrypto-News-Tag-Aggregation & thematische Inhalte - LBank
app.stationx.netClaude Opus 4.7 Review: Everything New in 2026