Siapa Juara AI? Perbandingan Kelima Model Frontier Terkini

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:

• Aliran kerja ejenik keseluruhan terbaik: GPT‑5.5
• Model fokus pengekodan terbaik: Claude Opus 4.7
• Keseimbangan kelajuan-keupayaan terbaik: Gemini 3.5 Flash
• Pencabar sumber terbuka terbaik: DeepSeek V4 Pro
• Model frontier bertambah baik tetapi pertengahan: Grok 4.3

Walau bagaimanapun, kesimpulan ini harus dianggap sebagai arah dan bukannya muktamad kerana setiap vendor menonjolkan set penilaian yang berbeza.

Mengapa kedudukan model frontier masih tidak stabil

Perbandingan penanda aras dalam AI moden semakin rumit kerana beberapa sebab:

1. Versi penanda aras berbeza. Contohnya, Terminal‑Bench 2.0 dan 2.1 mengukur tugas yang serupa tetapi menghasilkan keputusan yang sedikit berbeza.
2. Tetapan usaha penaakulan. Banyak model kini mempunyai mod "berfikir" boleh konfigurasi yang mengubah skor.
3. Angka yang dilaporkan vendor. Banyak jadual penanda aras berasal dari siaran pelancaran model dan bukannya penilaian bebas.
4. Pengkhususan tugas. Penanda aras pengekodan, kerja ejenik dan kerja pengetahuan memberi ganjaran kepada keupayaan yang berbeza.

Oleh sebab faktor ini, kedudukan relatif sebenar model frontier selalunya menjadi lebih jelas hanya selepas berbulan-bulan ujian bebas.

Kesimpulan

Bukti penanda aras terkini tidak menunjukkan satu model yang mendominasi setiap domain.

Sebaliknya, frontier semasa kelihatan khusus:

• GPT‑5.5 mendahului banyak penanda aras aliran kerja ejenik.
• Claude Opus 4.7 cemerlang dalam tugasan pengekodan dunia sebenar.
• Gemini 3.5 Flash menolak sempadan kelajuan-prestasi.
• DeepSeek V4 menunjukkan bahawa model sumber terbuka boleh mendekati keupayaan proprietari.
• Grok 4.3 menunjukkan peningkatan ketara tetapi masih ketinggalan di belakang peneraju terbaharu dalam kebanyakan penilaian luas.

Apabila penanda aras bebas bertumpu dan lebih banyak ujian setara muncul, susunan tepat sistem ini kemungkinan akan terus berubah.