Gemini 3.1 Pro นำในเบนช์มาร์ก GPQA Diamond (ข้อสอบวิทยาศาสตร์ระดับปริญญาเอก) ที่ 94.3% ซึ่งถูกยกย่องว่าเป็นแบบทดสอบที่แยกชั้นโมเดลได้ดีที่สุดในปัจจุบัน ส่วนในลีดเดอร์บอร์ด LLM Stats นั้น Claude Mythos Preview ทำคะแนน GPQA Diamond สูงสุดที่ 94.6%
GPT-5.2 ทำคะแนน perfect 100% ตามมาด้วย GPT-5.1 ที่ 94% และ Gemini 3.1 Pro ที่ 92%
Claude Opus 4.6 และ Grok 4 นำร่วมกันที่ประมาณ 75% โดย GPT-5.5 ตามมาติด ๆ
Gemini 3.1 Pro ทำไว้ที่ 77.1% ซึ่งเป็นคะแนนนำบนเบนช์มาร์กนี้ที่วัดความสามารถในการแก้ปัญหาจริงที่โมเดลไม่สามารถท่องจำคำตอบได้
Claude Sonnet ได้คะแนน 9.8/10 ในการทดสอบ 125 งานจริงที่ประเมินทั้งคุณภาพและน้ำเสียงที่เป็นธรรมชาติ ทำให้เป็นโมเดลที่ให้ความรู้สึกดีที่สุดในการใช้งานทั่วไปและการเขียน
ระยะห่างระหว่างโมเดลระดับแนวหน้า (GPT-5, Claude Opus 4.x, Gemini 3.x, Grok 4) นั้นแคบมาก — มักจะห่างกันแค่ไม่กี่เปอร์เซ็นต์ รายงาน AI Index 2026 ของสแตนฟอร์ดชี้ว่า คะแนนของ 15 โมเดลอันดับต้น ๆ ในแต่ละเบนช์มาร์กห่างกันเพียงแค่ 3 เปอร์เซ็นต์
'ความแม่นยำ' ขึ้นอยู่กับงานนั้น ๆ อย่างมาก: โมเดลที่เขียนโค้ดเก่งที่สุดอาจไม่ใช่โมเดลที่ใช้เหตุผลเก่งที่สุด และโมเดลที่ทำคะแนนเบนช์มาร์กได้สูงสุดอาจไม่ใช่ตัวเลือกที่ดีที่สุดสำหรับงานเฉพาะของคุณ การเลือกที่ถูกต้องขึ้นอยู่กับสิ่งที่คุณต้องการทำเป็นหลัก
Gemini 3.1 Pro นำในเบนช์มาร์ก GPQA Diamond (ข้อสอบวิทยาศาสตร์ระดับปริญญาเอก) ที่ 94.3% ซึ่งถูกยกย่องว่าเป็นแบบทดสอบที่แยกชั้นโมเดลได้ดีที่สุดในปัจจุบัน ส่วนในลีดเดอร์บอร์ด LLM Stats นั้น Claude Mythos Preview ทำคะแนน GPQA Diamond สูงสุดที่ 94.6%
GPT-5.2 ทำคะแนน perfect 100% ตามมาด้วย GPT-5.1 ที่ 94% และ Gemini 3.1 Pro ที่ 92%
Claude Opus 4.6 และ Grok 4 นำร่วมกันที่ประมาณ 75% โดย GPT-5.5 ตามมาติด ๆ
Gemini 3.1 Pro ทำไว้ที่ 77.1% ซึ่งเป็นคะแนนนำบนเบนช์มาร์กนี้ที่วัดความสามารถในการแก้ปัญหาจริงที่โมเดลไม่สามารถท่องจำคำตอบได้
Claude Sonnet ได้คะแนน 9.8/10 ในการทดสอบ 125 งานจริงที่ประเมินทั้งคุณภาพและน้ำเสียงที่เป็นธรรมชาติ ทำให้เป็นโมเดลที่ให้ความรู้สึกดีที่สุดในการใช้งานทั่วไปและการเขียน
ระยะห่างระหว่างโมเดลระดับแนวหน้า (GPT-5, Claude Opus 4.x, Gemini 3.x, Grok 4) นั้นแคบมาก — มักจะห่างกันแค่ไม่กี่เปอร์เซ็นต์ รายงาน AI Index 2026 ของสแตนฟอร์ดชี้ว่า คะแนนของ 15 โมเดลอันดับต้น ๆ ในแต่ละเบนช์มาร์กห่างกันเพียงแค่ 3 เปอร์เซ็นต์
'ความแม่นยำ' ขึ้นอยู่กับงานนั้น ๆ อย่างมาก: โมเดลที่เขียนโค้ดเก่งที่สุดอาจไม่ใช่โมเดลที่ใช้เหตุผลเก่งที่สุด และโมเดลที่ทำคะแนนเบนช์มาร์กได้สูงสุดอาจไม่ใช่ตัวเลือกที่ดีที่สุดสำหรับงานเฉพาะของคุณ การเลือกที่ถูกต้องขึ้นอยู่กับสิ่งที่คุณต้องการทำเป็นหลัก