Modellernas testresultat

Jämför AI-modeller

Kontrolleras dagligen

Jämför resultat, se olika styrkor och upptäck modeller bortom de välkända namnen.

LiveBench testar modeller på uppgifter med kontrollerbara svar. Högre är bättre, på en skala från 0 till 100.

Senast kontrollerad: 22 okt. 2026Testuppsättningens version: 2026-10-1449 modeller

1Claude Fable 5.1Anthropic87,986

claude-fable-5.1

Långa agentuppgifter: 80,800 / 100
Resonemang: 91,700 / 100
Kodning: 97,700 / 100
Webbläsaranvändning: 100,000 / 100
Dataanalys: 80,300 / 100
Research: 82,000 / 100
Design: 83,400 / 100

Enskilda uppgifter

long_agentic: 80,800
reasoning: 91,700
coding: 97,700
browser: 100,000
data_analysis: 80,300
research: 82,000
design: 83,400

Källa: LiveBench ↗

2Claude Opus 5.5Anthropic86,529

claude-opus-5.5

Långa agentuppgifter: 85,000 / 100
Resonemang: 92,200 / 100
Kodning: 96,300 / 100
Webbläsaranvändning: 80,000 / 100
Dataanalys: 80,300 / 100
Research: 85,000 / 100
Design: 86,900 / 100

Enskilda uppgifter

long_agentic: 85,000
reasoning: 92,200
coding: 96,300
browser: 80,000
data_analysis: 80,300
research: 85,000
design: 86,900

Källa: LiveBench ↗

3GPT-6 AstraOpenAI86,143

gpt-6-astra

Långa agentuppgifter: 82,400 / 100
Resonemang: 92,700 / 100
Kodning: 93,700 / 100
Webbläsaranvändning: 84,000 / 100
Dataanalys: 83,000 / 100
Research: 85,200 / 100
Design: 82,000 / 100

Enskilda uppgifter

long_agentic: 82,400
reasoning: 92,700
coding: 93,700
browser: 84,000
data_analysis: 83,000
research: 85,200
design: 82,000

Källa: LiveBench ↗

4GPT-6.1 SolOpenAI85,414

gpt-6.1-sol

Långa agentuppgifter: 73,000 / 100
Resonemang: 92,600 / 100
Kodning: 96,000 / 100
Webbläsaranvändning: 88,000 / 100
Dataanalys: 82,700 / 100
Research: 83,500 / 100
Design: 82,100 / 100

Enskilda uppgifter

long_agentic: 73,000
reasoning: 92,600
coding: 96,000
browser: 88,000
data_analysis: 82,700
research: 83,500
design: 82,100

Källa: LiveBench ↗

5Gemini 4 ArgonGoogle84,100

gemini-4-argon

Långa agentuppgifter: 69,900 / 100
Resonemang: 95,100 / 100
Kodning: 89,700 / 100
Webbläsaranvändning: 92,000 / 100
Dataanalys: 85,200 / 100
Research: 83,100 / 100
Design: 73,700 / 100

Enskilda uppgifter

long_agentic: 69,900
reasoning: 95,100
coding: 89,700
browser: 92,000
data_analysis: 85,200
research: 83,100
design: 73,700

Källa: LiveBench ↗

6Claude Fable 5Anthropic83,614

claude-fable-5

Långa agentuppgifter: 53,200 / 100
Resonemang: 89,700 / 100
Kodning: 98,300 / 100
Webbläsaranvändning: 92,000 / 100
Dataanalys: 80,500 / 100
Research: 86,900 / 100
Design: 84,700 / 100

Enskilda uppgifter

long_agentic: 53,200
reasoning: 89,700
coding: 98,300
browser: 92,000
data_analysis: 80,500
research: 86,900
design: 84,700

Källa: LiveBench ↗

7Claude Sonnet 5.5Anthropic82,457

claude-sonnet-5.5

Långa agentuppgifter: 78,800 / 100
Resonemang: 91,600 / 100
Kodning: 94,700 / 100
Webbläsaranvändning: 84,000 / 100
Dataanalys: 59,500 / 100
Research: 83,600 / 100
Design: 85,000 / 100

Enskilda uppgifter

long_agentic: 78,800
reasoning: 91,600
coding: 94,700
browser: 84,000
data_analysis: 59,500
research: 83,600
design: 85,000

Källa: LiveBench ↗

8Claude Opus 5Anthropic82,086

claude-opus-5

Långa agentuppgifter: 62,100 / 100
Resonemang: 91,200 / 100
Kodning: 90,800 / 100
Webbläsaranvändning: 84,000 / 100
Dataanalys: 74,600 / 100
Research: 88,900 / 100
Design: 83,000 / 100

Enskilda uppgifter

long_agentic: 62,100
reasoning: 91,200
coding: 90,800
browser: 84,000
data_analysis: 74,600
research: 88,900
design: 83,000

Källa: LiveBench ↗

9GPT-6 SolOpenAI81,914

gpt-6-sol

Långa agentuppgifter: 66,900 / 100
Resonemang: 88,700 / 100
Kodning: 93,100 / 100
Webbläsaranvändning: 92,000 / 100
Dataanalys: 81,200 / 100
Research: 69,300 / 100
Design: 82,200 / 100

Enskilda uppgifter

long_agentic: 66,900
reasoning: 88,700
coding: 93,100
browser: 92,000
data_analysis: 81,200
research: 69,300
design: 82,200

Källa: LiveBench ↗

10DeepSeek V4.1 Flash 1017DeepSeek79,200

deepseek-v4.1-flash-1017

Långa agentuppgifter: 50,900 / 100
Resonemang: 89,100 / 100
Kodning: 96,000 / 100
Webbläsaranvändning: 76,000 / 100
Dataanalys: 79,500 / 100
Research: 79,500 / 100
Design: 83,400 / 100

Enskilda uppgifter

long_agentic: 50,900
reasoning: 89,100
coding: 96,000
browser: 76,000
data_analysis: 79,500
research: 79,500
design: 83,400

Källa: LiveBench ↗

11Muse Wonder 1.0Meta78,100

muse-wonder-1.0

Långa agentuppgifter: 53,200 / 100
Resonemang: 90,600 / 100
Kodning: 86,200 / 100
Webbläsaranvändning: 72,000 / 100
Dataanalys: 81,600 / 100
Research: 88,000 / 100
Design: 75,100 / 100

Enskilda uppgifter

long_agentic: 53,200
reasoning: 90,600
coding: 86,200
browser: 72,000
data_analysis: 81,600
research: 88,000
design: 75,100

Källa: LiveBench ↗

12DeepSeek V4.1 FlashDeepSeek78,043

deepseek-v4.1-flash

Långa agentuppgifter: 40,100 / 100
Resonemang: 86,700 / 100
Kodning: 90,200 / 100
Webbläsaranvändning: 84,000 / 100
Dataanalys: 79,300 / 100
Research: 86,800 / 100
Design: 79,200 / 100

Enskilda uppgifter

long_agentic: 40,100
reasoning: 86,700
coding: 90,200
browser: 84,000
data_analysis: 79,300
research: 86,800
design: 79,200

Källa: LiveBench ↗

13Claude Opus 4.8Anthropic76,771

claude-opus-4.8

Långa agentuppgifter: 48,300 / 100
Resonemang: 89,200 / 100
Kodning: 77,300 / 100
Webbläsaranvändning: 96,000 / 100
Dataanalys: 66,000 / 100
Research: 81,800 / 100
Design: 78,800 / 100

Enskilda uppgifter

long_agentic: 48,300
reasoning: 89,200
coding: 77,300
browser: 96,000
data_analysis: 66,000
research: 81,800
design: 78,800

Källa: LiveBench ↗

14GPT-5.6 SolOpenAI76,257

gpt-5.6-sol

Långa agentuppgifter: 48,500 / 100
Resonemang: 91,700 / 100
Kodning: 89,700 / 100
Webbläsaranvändning: 88,000 / 100
Dataanalys: 79,800 / 100
Research: 54,500 / 100
Design: 81,600 / 100

Enskilda uppgifter

long_agentic: 48,500
reasoning: 91,700
coding: 89,700
browser: 88,000
data_analysis: 79,800
research: 54,500
design: 81,600

Källa: LiveBench ↗

15Claude Haiku 5.5Anthropic75,643

claude-haiku-5.5

Långa agentuppgifter: 57,600 / 100
Resonemang: 82,400 / 100
Kodning: 91,400 / 100
Webbläsaranvändning: 80,000 / 100
Dataanalys: 53,100 / 100
Research: 81,900 / 100
Design: 83,100 / 100

Enskilda uppgifter

long_agentic: 57,600
reasoning: 82,400
coding: 91,400
browser: 80,000
data_analysis: 53,100
research: 81,900
design: 83,100

Källa: LiveBench ↗

16GPT-5.6 TerraOpenAI74,986

gpt-5.6-terra

Långa agentuppgifter: 48,400 / 100
Resonemang: 90,600 / 100
Kodning: 86,200 / 100
Webbläsaranvändning: 84,000 / 100
Dataanalys: 79,300 / 100
Research: 60,400 / 100
Design: 76,000 / 100

Enskilda uppgifter

long_agentic: 48,400
reasoning: 90,600
coding: 86,200
browser: 84,000
data_analysis: 79,300
research: 60,400
design: 76,000

Källa: LiveBench ↗

17Grok 4.6 xHighxAI74,943

grok-4.6

Långa agentuppgifter: 40,700 / 100
Resonemang: 91,200 / 100
Kodning: 89,100 / 100
Webbläsaranvändning: 64,000 / 100
Dataanalys: 75,300 / 100
Research: 84,500 / 100
Design: 79,800 / 100

Enskilda uppgifter

long_agentic: 40,700
reasoning: 91,200
coding: 89,100
browser: 64,000
data_analysis: 75,300
research: 84,500
design: 79,800

Källa: LiveBench ↗

18MiMo V2.6 ProXiaomi74,871

mimo-v2.6-pro

Långa agentuppgifter: 47,500 / 100
Resonemang: 79,600 / 100
Kodning: 81,500 / 100
Webbläsaranvändning: 88,000 / 100
Dataanalys: 72,300 / 100
Research: 76,700 / 100
Design: 78,500 / 100

Enskilda uppgifter

long_agentic: 47,500
reasoning: 79,600
coding: 81,500
browser: 88,000
data_analysis: 72,300
research: 76,700
design: 78,500

Källa: LiveBench ↗

19Muse Spark 1.3Meta74,757

muse-spark-1.3

Långa agentuppgifter: 40,400 / 100
Resonemang: 89,700 / 100
Kodning: 90,200 / 100
Webbläsaranvändning: 80,000 / 100
Dataanalys: 79,600 / 100
Research: 68,600 / 100
Design: 74,800 / 100

Enskilda uppgifter

long_agentic: 40,400
reasoning: 89,700
coding: 90,200
browser: 80,000
data_analysis: 79,600
research: 68,600
design: 74,800

Källa: LiveBench ↗

20Grok 4.7xAI74,086

grok-4.7

Långa agentuppgifter: 50,100 / 100
Resonemang: 82,700 / 100
Kodning: 84,500 / 100
Webbläsaranvändning: 60,000 / 100
Dataanalys: 76,900 / 100
Research: 86,400 / 100
Design: 78,000 / 100

Enskilda uppgifter

long_agentic: 50,100
reasoning: 82,700
coding: 84,500
browser: 60,000
data_analysis: 76,900
research: 86,400
design: 78,000

Källa: LiveBench ↗

Placeringen bygger på oavrundade resultat. Små poängskillnader behöver inte innebära en verklig kvalitetsskillnad.

Varje exakt modellinställning hålls separat. Ett kategorisnitt kräver alla deltester i kategorin; totalsnittet kräver alla kategorier. Deltesterna väger lika inom kategorin och kategorierna väger lika i totalsnittet. Saknade resultat är aldrig noll. Placeringen bygger på oavrundade värden i vald kolumn, med delad placering vid lika resultat; sökning behåller placeringen i hela testet. För gamla poäng får ingen placering. De visade decimalerna bevisar ingen säker skillnad. Vyn omfattar en testsvit, inte alla aktuella modeller eller alla slags förmågor.

Så fungerar jämförelsen

Helhetspoängen här är medelvärdet av alla LiveBench-kategorier, med samma vikt och samma benchmarkversion. Alla uppgifter måste ha resultat för att få en helhetspoäng. Arenas poäng visas separat eftersom de mäter preferens. Vi slår inte ihop snarlika modellnamn mellan källorna: version och inställningar för resonemang kan skilja sig. Testerna täcker inte alla modeller eller alla verkliga arbetsuppgifter.

Källdata: LiveBench; Arena / LMArena (CC BY 4.0). Oossa beräknar uppgifternas medelvärden och visar resultaten i enklare form. Arena ↗ · Källa ↗ · CC BY 4.0 ↗