Model radzi sobie również znakomicie w benchmarkach pracy intelektualnej: GDPval ocenia zadania w kilkudziesięciu profesjach, w tym prawie, finansach i zarządzaniu produktem. GPT‑5.5 dorównuje lub przewyższa profesjonalistów w około 84,9% porównań.

Razem liczby te sugerują, że GPT‑5.5 jest szczególnie silny w autonomicznych, wieloetapowych zadaniach i agentowych przepływach pracy.

Claude Opus 4.7: model wybijający się w benchmarkach kodowania

Claude Opus 4.7 od Anthropic jest powszechnie uważany za jeden z najmocniejszych modeli do zadań inżynierii oprogramowania.

Jego najważniejsze wyniki benchmarków:

• SWE‑bench Verified: 87,6%
• SWE‑bench Pro: 64,3%
• GPQA Diamond: 94,2%
• Terminal‑Bench 2.0: 69,4%

SWE‑bench ocenia, czy model potrafi naprawić prawdziwe błędy w repozytoriach open‑source. Opus 4.7 rozwiązujący 87,6% zadań SWE‑bench Verified to znacząca poprawa w stosunku do poprzednika i plasuje go wśród najlepszych modeli dla agentów kodujących.

Choć jego wynik w Terminal‑Bench jest niższy niż GPT‑5.5, to kodowe benchmarki pozostają jednymi z najmocniejszych w publicznych porównaniach.

Gemini 3.5 Flash: wysoka wydajność przy znacznie większej szybkości

Gemini 3.5 Flash od Google jest nietypowy, ponieważ jest pozycjonowany jako szybki, ekonomiczny model, a nie flagowiec — a mimo to osiąga konkurencyjne wyniki w kilku agentowych benchmarkach.

Raportowane wyniki:

• Terminal‑Bench 2.1: 76,2%
• MCP Atlas: 83,6%
• GDPval‑AA: 1656 Elo
• CharXiv reasoning: 84,2%

Google twierdzi, że model działa około cztery razy szybciej niż porównywalne modele z czołówki, jednocześnie przewyższając wcześniejszego Gemini 3.1 Pro w kilku agentowych i kodowych benchmarkach.

W praktyce główną zaletą Gemini 3.5 Flash jest kompromis między szybkością a możliwościami: osiąga wyniki bliskie flagowym modelom, celując w niskie opóźnienia i obciążenia produkcyjne.

DeepSeek V4: potężny konkurent z otwartymi wagami

DeepSeek V4 jest godny uwagi, ponieważ jest to jeden z najbardziej zaawansowanych modeli z otwartymi wagami, jakie do tej pory wydano.

Rodzina modeli obejmuje dwa warianty:

• V4‑Pro (duży model mieszanki ekspertów)
• V4‑Flash (lżejszy i wydajniejszy wariant)

Według raportu technicznego modelu i podsumowań jego benchmarków, V4‑Pro w trybie maksymalnego wnioskowania osiąga:

• SWE‑bench Verified: 80,6%
• GPQA Diamond: 90,1%
• LiveCodeBench: 93,5%

Wyniki te plasują go blisko czołowych zastrzeżonych modeli w niektórych benchmarkach kodowania.

Jednak niezależna ocena programu CAISI amerykańskiego Narodowego Instytutu Standardów i Technologii (NIST) wykazała, że możliwości modelu pozostają w tyle za czołówką o około osiem miesięcy, co podkreśla lukę między wynikami raportowanymi przez twórców a niezależnymi testami.

Grok 4.3: wyraźna poprawa, ale nie lider czołówki

Grok 4.3 od xAI to duży skok w porównaniu z wcześniejszymi modelami Grok, zwłaszcza w benchmarkach zadań agentowych.

Opublikowane liczby:

• Artificial Analysis Intelligence Index: ~53
• GDPval‑AA: ~1500 Elo
• τ²‑Bench Telecom: 98%
• IFBench: 81%

Skok o ponad 300 Elo w GDPval‑AA w porównaniu z wcześniejszymi wersjami Grok sugeruje znaczący postęp w automatyzacji rzeczywistych zadań.

Mimo to analizy zewnętrzne zazwyczaj plasują model poniżej najnowszych systemów OpenAI i Anthropic pod względem ogólnych benchmarków możliwości.

Co wynika z benchmarków — podsumowanie

Patrząc na te oceny, wyłania się spójny obraz:

• Najlepsze ogólne przepływy agentowe: GPT‑5.5
• Najlepszy model skoncentrowany na kodowaniu: Claude Opus 4.7
• Najlepszy stosunek szybkości do możliwości: Gemini 3.5 Flash
• Najlepszy konkurent z otwartymi wagami: DeepSeek V4 Pro
• Poprawiony, ale średni model: Grok 4.3

Wnioski te należy jednak traktować jako orientacyjne, a nie ostateczne, ponieważ każdy producent podkreśla inne zestawy testów.

Dlaczego rankingi modeli pozostają niestabilne

Porównania benchmarków we współczesnej SI są coraz bardziej skomplikowane z kilku powodów:

1. Różne wersje benchmarków. Na przykład Terminal‑Bench 2.0 i 2.1 mierzą podobne zadania, ale dają nieco inne wyniki.
2. Ustawienia wysiłku wnioskowania. Wiele modeli ma teraz konfigurowalne tryby „myślenia”, które zmieniają wyniki.
3. Liczby raportowane przez producentów. Wiele tabel benchmarków pochodzi z ogłoszeń o premierze modelu, a nie z niezależnych ocen.
4. Specjalizacja zadań. Kodowanie, praca agentowa i testy wiedzy nagradzają różne umiejętności.

Z tych powodów prawdziwy względny ranking modeli z czołówki często staje się jasny dopiero po miesiącach niezależnych testów.

Na koniec

Najnowsze dowody z benchmarków nie wskazują jednego modelu dominującego we wszystkich obszarach.

Zamiast tego obecna czołówka wydaje się wyspecjalizowana:

• GPT‑5.5 prowadzi w wielu agentowych benchmarkach.
• Claude Opus 4.7 błyszczy w rzeczywistych zadaniach kodowania.
• Gemini 3.5 Flash przesuwa granicę szybkości i wydajności.
• DeepSeek V4 pokazuje, że modele z otwartymi wagami mogą zbliżyć się do możliwości zastrzeżonych.
• Grok 4.3 wykazuje znaczną poprawę, ale wciąż ustępuje najnowszym liderom w większości szerokich ocen.

W miarę jak niezależne benchmarki będą się ujednolicać i pojawi się więcej testów porównawczych, dokładne uszeregowanie tych systemów będzie prawdopodobnie nadal ewoluować.

Model radzi sobie również znakomicie w benchmarkach pracy intelektualnej: GDPval ocenia zadania w kilkudziesięciu profesjach, w tym prawie, finansach i zarządzaniu produktem. GPT‑5.5 dorównuje lub przewyższa profesjonalistów w około 84,9% porównań.

Razem liczby te sugerują, że GPT‑5.5 jest szczególnie silny w autonomicznych, wieloetapowych zadaniach i agentowych przepływach pracy.

Claude Opus 4.7: model wybijający się w benchmarkach kodowania

Claude Opus 4.7 od Anthropic jest powszechnie uważany za jeden z najmocniejszych modeli do zadań inżynierii oprogramowania.

Jego najważniejsze wyniki benchmarków:

• SWE‑bench Verified: 87,6%
• SWE‑bench Pro: 64,3%
• GPQA Diamond: 94,2%
• Terminal‑Bench 2.0: 69,4%

SWE‑bench ocenia, czy model potrafi naprawić prawdziwe błędy w repozytoriach open‑source. Opus 4.7 rozwiązujący 87,6% zadań SWE‑bench Verified to znacząca poprawa w stosunku do poprzednika i plasuje go wśród najlepszych modeli dla agentów kodujących.

Choć jego wynik w Terminal‑Bench jest niższy niż GPT‑5.5, to kodowe benchmarki pozostają jednymi z najmocniejszych w publicznych porównaniach.

Gemini 3.5 Flash: wysoka wydajność przy znacznie większej szybkości

Gemini 3.5 Flash od Google jest nietypowy, ponieważ jest pozycjonowany jako szybki, ekonomiczny model, a nie flagowiec — a mimo to osiąga konkurencyjne wyniki w kilku agentowych benchmarkach.

Raportowane wyniki:

• Terminal‑Bench 2.1: 76,2%
• MCP Atlas: 83,6%
• GDPval‑AA: 1656 Elo
• CharXiv reasoning: 84,2%

Google twierdzi, że model działa około cztery razy szybciej niż porównywalne modele z czołówki, jednocześnie przewyższając wcześniejszego Gemini 3.1 Pro w kilku agentowych i kodowych benchmarkach.

W praktyce główną zaletą Gemini 3.5 Flash jest kompromis między szybkością a możliwościami: osiąga wyniki bliskie flagowym modelom, celując w niskie opóźnienia i obciążenia produkcyjne.

DeepSeek V4: potężny konkurent z otwartymi wagami

DeepSeek V4 jest godny uwagi, ponieważ jest to jeden z najbardziej zaawansowanych modeli z otwartymi wagami, jakie do tej pory wydano.

Rodzina modeli obejmuje dwa warianty:

• V4‑Pro (duży model mieszanki ekspertów)
• V4‑Flash (lżejszy i wydajniejszy wariant)

Według raportu technicznego modelu i podsumowań jego benchmarków, V4‑Pro w trybie maksymalnego wnioskowania osiąga:

• SWE‑bench Verified: 80,6%
• GPQA Diamond: 90,1%
• LiveCodeBench: 93,5%

Wyniki te plasują go blisko czołowych zastrzeżonych modeli w niektórych benchmarkach kodowania.

Jednak niezależna ocena programu CAISI amerykańskiego Narodowego Instytutu Standardów i Technologii (NIST) wykazała, że możliwości modelu pozostają w tyle za czołówką o około osiem miesięcy, co podkreśla lukę między wynikami raportowanymi przez twórców a niezależnymi testami.

Grok 4.3: wyraźna poprawa, ale nie lider czołówki

Grok 4.3 od xAI to duży skok w porównaniu z wcześniejszymi modelami Grok, zwłaszcza w benchmarkach zadań agentowych.

Opublikowane liczby:

• Artificial Analysis Intelligence Index: ~53
• GDPval‑AA: ~1500 Elo
• τ²‑Bench Telecom: 98%
• IFBench: 81%

Skok o ponad 300 Elo w GDPval‑AA w porównaniu z wcześniejszymi wersjami Grok sugeruje znaczący postęp w automatyzacji rzeczywistych zadań.

Mimo to analizy zewnętrzne zazwyczaj plasują model poniżej najnowszych systemów OpenAI i Anthropic pod względem ogólnych benchmarków możliwości.

Co wynika z benchmarków — podsumowanie

Patrząc na te oceny, wyłania się spójny obraz:

• Najlepsze ogólne przepływy agentowe: GPT‑5.5
• Najlepszy model skoncentrowany na kodowaniu: Claude Opus 4.7
• Najlepszy stosunek szybkości do możliwości: Gemini 3.5 Flash
• Najlepszy konkurent z otwartymi wagami: DeepSeek V4 Pro
• Poprawiony, ale średni model: Grok 4.3

Wnioski te należy jednak traktować jako orientacyjne, a nie ostateczne, ponieważ każdy producent podkreśla inne zestawy testów.

Dlaczego rankingi modeli pozostają niestabilne

Porównania benchmarków we współczesnej SI są coraz bardziej skomplikowane z kilku powodów:

1. Różne wersje benchmarków. Na przykład Terminal‑Bench 2.0 i 2.1 mierzą podobne zadania, ale dają nieco inne wyniki.
2. Ustawienia wysiłku wnioskowania. Wiele modeli ma teraz konfigurowalne tryby „myślenia”, które zmieniają wyniki.
3. Liczby raportowane przez producentów. Wiele tabel benchmarków pochodzi z ogłoszeń o premierze modelu, a nie z niezależnych ocen.
4. Specjalizacja zadań. Kodowanie, praca agentowa i testy wiedzy nagradzają różne umiejętności.

Z tych powodów prawdziwy względny ranking modeli z czołówki często staje się jasny dopiero po miesiącach niezależnych testów.

Na koniec

Najnowsze dowody z benchmarków nie wskazują jednego modelu dominującego we wszystkich obszarach.

Zamiast tego obecna czołówka wydaje się wyspecjalizowana:

• GPT‑5.5 prowadzi w wielu agentowych benchmarkach.
• Claude Opus 4.7 błyszczy w rzeczywistych zadaniach kodowania.
• Gemini 3.5 Flash przesuwa granicę szybkości i wydajności.
• DeepSeek V4 pokazuje, że modele z otwartymi wagami mogą zbliżyć się do możliwości zastrzeżonych.
• Grok 4.3 wykazuje znaczną poprawę, ale wciąż ustępuje najnowszym liderom w większości szerokich ocen.

W miarę jak niezależne benchmarki będą się ujednolicać i pojawi się więcej testów porównawczych, dokładne uszeregowanie tych systemów będzie prawdopodobnie nadal ewoluować.