Назад до тренду дня: ШІ від Meta, що виконує завдання за вас, тепер і на годиннику
Рейтинг Poly · з тренду дня

Найкращий бенчмарк ШІ-агентів 2026: топ-10 агентів за долар

У незалежних повторних запусках GAIA від Прінстонського університету Claude Opus 4.1 High витратив $562 і набрав 68,48%, тоді як Claude Sonnet 4.5 набрав 74,55% за $178.

  • №1: Claude Sonnet 4.5 (HAL Generalist Agent)
  • 10 місць

01Підсумковий список

Провідні ШІ незалежно склали свої списки з десяти місць. Нагорі — один підсумок, який легко перевірити: у кожного місця є причина, джерело та список ШІ, які його включили.

Порядок: від більшої згоди ШІ до меншої.

Яскрава плашка — цей ШІ включив пункт у свій список. Тьмяна — не включив.

  1. 1

    Claude Sonnet 4.5 (HAL Generalist Agent)

    Найвищий підтверджений результат GAIA (74,55%) і найвищий результат на рівні 3 (65,39%) за $178,20 за запуск. HAL позначає його як Парето-оптимальний. Opus 4.1 High коштує втричі дорожче й набирає менше.

    Увімкнули: Claude, ChatGPT, Kimi. Не увімкнули: Meta, Grok, Gemini, Nova, Wenxin, DeepSeek.

    У їхніх списках: Claude: 1 · ChatGPT: 1 · Kimi: 1

    Що відзначив кожен ШІ 3
    • Claudeмісце 1

      Єдиний прогін, що перевищив 74% загалом і 65% на рівні 3, приблизно за $1,45 за розв’язане питання. HAL позначає його як Парето-оптимальний.

    • ChatGPTмісце 1

      Розв’язав майже три чверті валідаційного набору за $178,20 за весь прогін і при цьому лідирує в цьому списку на рівні 3 з 65,39%.

      Джерело ↗
    • Kimiмісце 1

      Найкраща перевірена точність у таблиці (74,55%) і найкращий результат на найскладнішому рівні (65,4%), приблизно за долар за завдання.

      Джерело ↗
    3 ШІ поставили сюди
    Джерело ↗
  2. 2

    Claude 3.7 Sonnet High (HAL Generalist Agent)

    Модель від лютого 2025 року: 64,24% загалом і 57,69% на рівні 3 за $122,49. На рівні 3 вона випереджає новіший Opus 4.1 High, коштуючи приблизно п’яту частину його ціни.

    Увімкнули: Claude, ChatGPT, Kimi. Не увімкнули: Meta, Grok, Gemini, Nova, Wenxin, DeepSeek.

    У їхніх списках: Claude: 4 · ChatGPT: 2 · Kimi: 2

    Що відзначив кожен ШІ 3
    • Claudeмісце 4

      Модель з лютого 2025 року досі набирає 57,69% на рівні 3, попереду GPT-5 Medium із 46%, при приблизно $1,16 за розв’язане питання.

      Джерело ↗
    • ChatGPTмісце 2

      Він відстає від загального лідера на 10,31 пункту, але за оцінковою вартістю однієї правильної відповіді коштує приблизно на 31% менше і набирає 57,69% на рівні 3.

      Джерело ↗
    • Kimiмісце 2

      Модель з лютого 2025 року, яка випереджає новішу Opus 4.1 High на найскладнішому рівні (57,7% проти 53,8%) за п’яту частину ціни.

      Джерело ↗
    3 ШІ поставили сюди
    Джерело ↗
  3. 3

    OpenAI o4-mini Low (HAL Generalist Agent)

    Парето-оптимальний за $73,26 за запуск. На рівні 3 має результат 53,85%, що дорівнює запуску Opus 4.1 High за $562, але загалом відстає від лідера на 16 пунктів.

    Увімкнули: Claude, ChatGPT, Kimi. Не увімкнули: Meta, Grok, Gemini, Nova, Wenxin, DeepSeek.

    У їхніх списках: Claude: 2 · ChatGPT: 4 · Kimi: 3

    Що відзначив кожен ШІ 3
    • Claudeмісце 2

      Досягає 58% загалом і 53,85% на найскладнішому рівні, приблизно за $0,76 за розв’язане питання. Це найкраще поєднання ціни та сили на рівні 3 у таблиці HAL.

      Джерело ↗
    • ChatGPTмісце 4

      Найдешевша оцінена успішна відповідь серед цих десяти — приблизно $0,76, хоча її загальний результат на 16,37 пункту нижчий за лідера.

      Джерело ↗
    • Kimiмісце 3

      Зрівнюється з прогоном Claude Opus 4.1 High за $562 на найскладнішому рівні (рівно 53,85%), тоді як увесь прогін коштує $73,26.

      Джерело ↗
    3 ШІ поставили сюди
    Джерело ↗
  4. 4

    Claude Sonnet 4.5 High, з розширеним мисленням (HAL Generalist Agent)

    Розширене мислення коштує приблизно стільки ж, як стандартний Sonnet 4.5 ($179,86 проти $178,20). Загалом він набирає на 3,64 бала менше і знижує рівень 3 з 65,39% до 46,15%.

    Увімкнули: Claude, ChatGPT, Kimi. Не увімкнули: Meta, Grok, Gemini, Nova, Wenxin, DeepSeek.

    У їхніх списках: Claude: 7 · ChatGPT: 6 · Kimi: 9

    Що відзначив кожен ШІ 3
    • Claudeмісце 7

      Розширене мислення коштувало майже те саме ($179,86 проти $178,20), але знизило точність на 3,6 пункту, а рівень 3 упав із 65% до 46%.

      Джерело ↗
    • ChatGPTмісце 6

      Високе зусилля коштує лише трохи більше за звичайний прогін Sonnet, але набирає на 3,64 пункту менше загалом і на 18,08 менше на рівні 3.

      Джерело ↗
    • Kimiмісце 9

      Оплата за більше міркувань програє: на 4 пункти нижче загалом і на 19 пунктів нижче на найскладнішому рівні, ніж та сама модель зі стандартним зусиллям, і за ту саму ціну.

      Джерело ↗
    3 ШІ поставили сюди
    Джерело ↗
  5. 5

    Claude Haiku 4.5 (HAL Generalist Agent)

    Невелика модель набирає 61,54% на рівні 3, це другий результат у таблиці і вище за її власні 51,16% на рівні 2. Це виходить приблизно $1,41 за кожне розв’язане питання (оцінка).

    Увімкнули: Claude, ChatGPT, Kimi. Не увімкнули: Meta, Grok, Gemini, Nova, Wenxin, DeepSeek.

    У їхніх списках: Claude: 5 · ChatGPT: 3 · Kimi: 5

    Що відзначив кожен ШІ 3
    • Claudeмісце 5

      Дешева модель Claude отримує 61,54% на рівні 3, що перевищує її власний результат на рівні 2 — 51,16%.

      Джерело ↗
    • ChatGPTмісце 3

      Його 61,54% на рівні 3 — другий найвищий серед перелічених тут, за оцінкових $1,41 за правильну відповідь.

      Джерело ↗
    • Kimiмісце 5

      «Маленька» модель родини має другий за складністю результат на всій таблиці: 61,5% на рівні 3.

      Джерело ↗
    3 ШІ поставили сюди
    Джерело ↗
  6. 6

    GPT-5 Medium (HF Open Deep Research)

    Набирає на 3,41 бала більше, ніж та сама модель у HAL Generalist agent, але коштує приблизно в 3,4 раза дорожче ($359,83). Каркас агента сильніше змінює ціну, ніж сама модель.

    Увімкнули: Claude, ChatGPT, Kimi. Не увімкнули: Meta, Grok, Gemini, Nova, Wenxin, DeepSeek.

    У їхніх списках: Claude: 10 · ChatGPT: 9 · Kimi: 7

    Що відзначив кожен ШІ 3
    • Claudeмісце 10

      Набирає 62,8%, що на 7-му місці в таблиці HAL, але за $359,83 коштує приблизно в 3,4 раза більше, ніж та сама модель у HAL Generalist Agent.

      Джерело ↗
    • ChatGPTмісце 9

      Він випереджає прогін GPT-5 Medium у HAL Generalist Agent на 3,41 пункту точності, але звітна вартість приблизно в 3,4 раза вища.

      Джерело ↗
    • Kimiмісце 7

      На новішому, переважно приватному індексі v5 вона відстає на 3 пункти від лідера з $10,04, коштуючи $1,27 за завдання, тобто восьмину ціни.

      Джерело ↗
    3 ШІ поставили сюди
    Джерело ↗
  7. 7

    GPT-5 Medium (HAL Generalist Agent)

    59,39% за $104,75, приблизно $1,07 за кожне розв’язане питання (оцінка). Та сама модель у складі HF Open Deep Research коштує $359,83.

    Увімкнули: Claude, Kimi. Не увімкнули: ChatGPT, Meta, Grok, Gemini, Nova, Wenxin, DeepSeek.

    У їхніх списках: Claude: 3 · Kimi: 4

    Що відзначив кожен ШІ 2
    • Claudeмісце 3

      Коштує близько $1,07 за розв’язане питання, тоді як та сама модель у HF Open Deep Research коштує близько $3,47. Обв’язка змінює ціну більше, ніж сама модель.

      Джерело ↗
    • Kimiмісце 4

      Найдешевший перевірений шлях за межу 59%: $104,75 за весь прогін, приблизно $0,63 за завдання.

      Джерело ↗
    2 ШІ поставили сюди
    Джерело ↗
  8. 8

    OpenAI o4-mini High (HAL Generalist Agent)

    Парето-оптимальний за $59,39 і найдешевший за кожне розв’язане питання серед сильних запусків, приблизно $0,66 (оцінка). Його результат на рівні 3 — 46,15%, тож він залишається нижче за o4-mini Low.

    Увімкнули: Claude, Kimi. Не увімкнули: ChatGPT, Meta, Grok, Gemini, Nova, Wenxin, DeepSeek.

    У їхніх списках: Claude: 6 · Kimi: 6

    Що відзначив кожен ШІ 2
    • Claudeмісце 6

      Це найдешевша модель за розв’язане питання, близько $0,66, але її 46% на рівні 3 — головна причина, чому вона нижча за o4-mini Low.

      Джерело ↗
    • Kimiмісце 6

      $59,39 покривають весь прогін із 165 завдань, найдешевший Парето-оптимальний запис, що ще перевищує 54%.

      Джерело ↗
    2 ШІ поставили сюди
    Джерело ↗
  9. 9

    Claude Opus 4.1 High (HAL Generalist Agent)

    $562,24 за 68,48%, приблизно $4,97 за кожне розв’язане питання (оцінка). Це приблизно в 3,4 раза більше, ніж у Sonnet 4.5 за кожне розв’язане питання, і точність у нього нижча.

    Увімкнули: Claude, ChatGPT. Не увімкнули: Meta, Grok, Gemini, Nova, Kimi, Wenxin, DeepSeek.

    У їхніх списках: Claude: 9 · ChatGPT: 7

    Що відзначив кожен ШІ 2
    • Claudeмісце 9

      Набирає 68,5%, але коштує $562, близько $5 за розв’язане питання, і приблизно в 3,4 раза дорожче за Sonnet 4.5 за розв’язане питання, при нижчій точності.

      Джерело ↗
    • ChatGPTмісце 7

      Це на 5,06 пункту точності нижче за Sonnet 4.5, і весь прогін коштує більше ніж утричі дорожче.

      Джерело ↗
    2 ШІ поставили сюди
    Джерело ↗
  10. 10

    Gemini 2.0 Flash (HAL Generalist Agent)

    Повний запуск GAIA за $7,80, Парето-оптимальний і приблизно в 23 рази дешевший за лідера. На складних завданнях провалюється: 11,54% на рівні 3. Його в таблиці вказав лише один ШІ.

    Увімкнули: Kimi. Не увімкнули: Claude, ChatGPT, Meta, Grok, Gemini, Nova, Wenxin, DeepSeek.

    У їхніх списках: Kimi: 10

    Що відзначив кожен ШІ 1
    • Kimiмісце 10

      Повний прогін GAIA за $7,80, це 1/23 вартості лідера, при збереженні 44% його точності.

      Джерело ↗
    1 ШІ поставили сюди
    Джерело ↗

Трійка докладно ↓

02Докладніше про трійку

Рейтинг вище. Тут — докладніше про перші три місця: що це, чому вони тут і що варто знати.

Усі три взято з однієї таблиці GAIA від Прінстонського університету, але вони відрізняються вартістю запуску і тим, як виконують найскладніший рівень, тож загальний бал і ціна тягнуть у різні боки.

1Claude Sonnet 4.5 (HAL Generalist Agent)

№ 1 — Claude Sonnet 4.5 (HAL Generalist Agent). У списках 3 з 9 ШІ; медіанне місце там: 1. Вона має найкращий підтверджений бал GAIA і найкращий результат на найскладнішому рівні, а коштує значно менше за Opus 4.1 High.

А ви знали

  • На таблиці HAL GAIA Claude Sonnet 4.5 без режиму додаткового мислення (74,55%) обганяє свою версію «High» (70,91%). Більше роздумів тут не означало кращого результату. Opus 4.1 High посів третє місце з 68,48%.

    Джерело ↗
Що це
Claude Sonnet 4.5 від Антропік, запущена як універсальний агент на тесті GAIA від Прінстонського університету.
Чим сильніший
Найвищий загальний бал (74,55%) і найвищий результат на Рівні 3 (65,39%) серед трьох.
Кому підходить
Підійде тим, кому потрібен найвищий бал; не найдешевший запуск за $178.
  • Точність GAIA на долар74,55% за $178,20

Wikidata

Чому він тут

  • Загалом вона набрала 74,55%, найвищий бал у таблиці лідерів GAIA від HAL. — (voice only)

    Джерело ↗

  • Її результат на Рівні 3 — 65,39%, вище за 57,69% у Claude 3.7 Sonnet High і 53,85% у o4-mini Low. — (voice only)

    Джерело ↗
Історія

  • У 2025 році запуск Sonnet 4.5 став різким стрибком у керуванні комп'ютером: Антропік повідомив про 61,4% на OSWorld, проти 42,2% у Sonnet 4 чотирма місяцями раніше. Разом із релізом з'явився набір для створення агентів на основі Claude Code. — (voice only)

    Джерело ↗
Що варто врахувати

  • $178,20 — це вартість одного запуску. HAL пише, що в цифрах не враховано кешування, тож вони завищені й реальні ціни можуть бути нижчими. Указано лише один запуск, на 165 публічних питаннях.

    Джерело ↗

  • Інший користувач Cursor казав, що модель залишає код з помилками і на деяких завданнях дає неправильні відповіді. Це думка одного користувача, але вона нагадує: найвищий бал не означає, що кожне завдання вдасться.

    Джерело ↗
Що кажуть люди

  • "This is very expensive model. It can end your cursor pro subscription in a couple of days." — Digital-Coder

    Джерело ↗

Відео: Claude Haiku vs Sonnet vs Opus vs Fable Clearly Explained (& use cases) (англійською) · Eliot Prince

Порівняти першу трійку ↓

2Claude 3.7 Sonnet High (HAL Generalist Agent)

№ 2 — Claude 3.7 Sonnet High (HAL Generalist Agent). У списках 3 з 9 ШІ; медіанне місце там: 2. Ця старіша модель обганяє значно дорожчу Opus 4.1 High на найскладнішому рівні, коштуючи приблизно п'яту частину.

А ви знали

  • У лютому 2025 року Claude 3.7 Sonnet, що грав у Pokémon Red, почали транслювати на Twitch, і стрім збирав тисячі глядачів. Тож модель, яка добре проходить цей тест агентів, також публічно грала у відеогру.

    Джерело ↗
Що це
Claude 3.7 Sonnet, модель від лютого 2025 року, запущена як універсальний агент.
Чим сильніший
Коштує менше за лідера ($122,49) і на Рівні 3 має кращий результат, ніж o4-mini.
Кому підходить
Підійде тим, хто шукає золоту середину між ціною і силою на складних завданнях.
  • Точність GAIA на долар64,24% за $122,49
Чому він тут

  • Загалом вона набрала 64,24% за $122,49, проти 68,48% у Opus 4.1 High за $562,24. — (voice only)

    Джерело ↗

  • Її результат на Рівні 3 — 57,69%, це більше, ніж 53,85% у Opus 4.1 High, при цьому коштує менше ніж чверть від його ціни: $122,49 проти $562,24. — (voice only)

    Джерело ↗
Історія

  • У 2025 році Антропік поєднав запуск Claude 3.7 Sonnet з Claude Code — ранньою дослідницькою версією, яка дозволяла розробникам передавати Claude завдання з коду прямо з термінала. Запуск моделі також представив розширене мислення з видимими покроковими міркуваннями. — Anthropic

    Джерело ↗
Де дізнатися більше

  • Відкрийте таблицю лідерів GAIA і знайдіть рядок Claude 3.7 Sonnet High у розділі HAL Generalist Agent. Спершу гляньте на колонку Рівня 3, потім порівняйте його вартість з рядком Opus 4.1 High.

    Джерело ↗
Порівняти першу трійку ↓

3OpenAI o4-mini Low (HAL Generalist Agent)

№ 3 — OpenAI o4-mini Low (HAL Generalist Agent). У списках 3 з 9 ШІ; медіанне місце там: 3. Це найдешевший запуск, який на найскладнішому рівні не поступається Opus 4.1 High, хоч загалом відстає від лідера.

А ви знали

  • Сем Альтман з OpenAI спочатку планував влити o4-mini у GPT-5, а не випускати як окрему модель. Її запустили 16 квітня 2025 року, а безкоштовні користувачі отримали доступ 24 квітня.

    Джерело ↗
Що це
o4-mini від OpenAI, запущена на режимі Low як універсальний агент.
Чим сильніший
Найнижча вартість із трьох ($73,26) при тому ж результаті на Рівні 3, що й у Opus 4.1 High.
Кому підходить
Підійде тим, хто стежить за бюджетом; не тим, кому потрібен найвищий загальний бал.
  • Точність GAIA на долар58,18% за $73,26
Чому він тут

  • HAL позначає її як оптимальну за Парето: загалом 58,18% за $73,26, найнижча вартість серед цих трьох. — (voice only)

    Джерело ↗

  • Її результат на Рівні 3 — 53,85%, як і в Opus 4.1 High, який коштував $562,24; o4-mini Low коштував $73,26. — (voice only)

    Джерело ↗
А ви знали

  • o4-mini могла працювати з зображеннями, а не лише з текстом. Приклад у статті — аналіз схем на маркерній дошці під час фази «ланцюжка думок» (chain-of-thought), тобто покрокових міркувань перед відповіддю.

    Джерело ↗
Що варто врахувати

  • У тесті PersonQA від OpenAI o4-mini вигадувала відповіді в 48% випадків. Цей тест про факти про людей, а не про завдання агентів GAIA, але це причина перевіряти її відповіді.

    Джерело ↗
Де дізнатися більше

  • У тій самій таблиці лідерів GAIA знайдіть рядок o4-mini Low у розділі HAL Generalist Agent, позначений як оптимальний за Парето. Порівняйте його вартість і результат на Рівні 3 з рядком Opus 4.1 High, щоб побачити компроміс.

    Джерело ↗
Порівняти першу трійку ↓

Трійка поруч

Claude Sonnet 4.5 (HAL Generalist Agent)Claude 3.7 Sonnet High (HAL Generalist Agent)OpenAI o4-mini Low (HAL Generalist Agent)
У списках ШІ3 / 93 / 93 / 9
Точність GAIA на долар74,55% за $178,2064,24% за $122,4958,18% за $73,26
Першим поставилиClaude, ChatGPT, Kimi——

Місця з однаковою кількістю ШІ впорядковано за середнім місцем у списках самих ШІ.

Інші рейтинги

03Варто знати

Що помітили ШІ, поки складали список.

Рекорд у 94% і підтверджений результат — різні речі. Самостійно надіслані результати на тестовому наборі GAIA сягають максимуму 94,35% (Keen AgenticOS V1.1), а 51 подання перевищили базовий рівень людини 92%. Найкращий власний повторний запуск Прінстонського університету — 74,55%. Розбиття даних і налаштування різні, тож ці два числа не можна порівнювати між собою.

Помітили:
Увімкнули: Claude, ChatGPT, Kimi. Не увімкнули: Meta, Grok, Gemini, Nova, Wenxin, DeepSeek.
Джерело ↗

HAL попереджає, що деякі опубліковані витрати запусків завищені рівно вдвічі через подвійний облік проміжків трасування. Уражені рядки не перераховано і вони не однорідні, тож будь-яке місце в рейтингу «за долар» може змінитися. HAL також призупинив додавання нових моделей, тому таблиця здебільшого складається з систем 2025 року.

Помітили:
Увімкнули: Claude, ChatGPT, Kimi. Не увімкнули: Meta, Grok, Gemini, Nova, Wenxin, DeepSeek.
Джерело ↗

Більше зусиль на міркування не дало більше результатів. Sonnet 4.5 High набрав на 19 балів менше на рівні 3, ніж стандартний Sonnet 4.5 за ту саму ціну. Opus 4.1 і Opus 4 High коштують понад утричі дорожче за Sonnet 4.5 і все одно набрали менше.

Помітили:
Увімкнули: Claude, ChatGPT, Kimi. Не увімкнули: Meta, Grok, Gemini, Nova, Wenxin, DeepSeek.
Джерело ↗

Друге незалежне джерело вартості слабке. Artificial Analysis не перезапускає GAIA і оцінює ціну спроб виконати завдання у власному індексі, а не розв’язаних завдань GAIA. У цьому індексі вартість одного завдання в її топ-10 моделях коливається від $0,96 до $13,04.

Помітили:
Увімкнули: Claude, ChatGPT, Kimi. Не увімкнули: Meta, Grok, Gemini, Nova, Wenxin, DeepSeek.
Джерело ↗

Агент, який використав вразливість, з Каліфорнійського університету в Берклі набрав близько 98% на відкритому валідаційному наборі GAIA, не розв’язавши жодного завдання. Він читав відкриті відповіді й обійшов перевірку, яка зводить відповіді до одного вигляду. Широко цитовані результати Manus на GAIA були самопублікованими і ніколи не перевірялися незалежним повторним запуском.

Помітили:
Увімкнули: Claude, Kimi. Не увімкнули: ChatGPT, Meta, Grok, Gemini, Nova, Wenxin, DeepSeek.
Джерело ↗

04Як рахували

Простими словами, без формул.

1Питання

Топ-10 ШІ-агентів, що справді доводять завдання до кінця, за результатом на долар

2Чому ця тема

Кожна таблиця показує точність або ціну з одного запуску. Перевірка обох показників у двох незалежних джерелах показує, що корона «найкращого агента» переходить до іншого, якщо врахувати вартість кожного завершеного завдання.

3Де це застосовно

глобальні універсальні ШІ-агенти, оцінені в незалежних багатокрокових тестах завдань

4На що дивилися

  • Точність виконання завдань GAIA, за даними HAL Прінстонського університету
  • Вартість одного завершеного завдання, перевірена незалежними перезапусками від Artificial Analysis
  • Надійність на найскладнішому багатокроковому рівні з поправкою на те, наскільки тест уже «вичерпаний» і більшість моделей набирає високі бали
  • Таблиця лідерів HAL GAIA від Прінстонського університету — власні повторні запуски кожного агента університетом на 165 публічних валідаційних питаннях GAIA. Вона показує загальну точність і точність за рівнями 1/2/3, загальну вартість API (без урахування кешування) і wh
  • HAL AI Agent Reliability Tracker — точність за повторних запусків, а також послідовність, стійкість і передбачуваність на GAIA і τ-bench. Порівнянної вартості за завдання немає.
  • Artificial Analysis Intelligence Index v5 — незалежні повторні запуски моделей у 9 оцінюваннях, з вартістю в доларах за кожне спробуване завдання індексу. GAIA він не запускає повторно, тож може перевірити лише ціну, а не
  • Personal Agent Bench GAIA tracker — результати на тестовому наборі GAIA, які подають самі розробники, з Hugging Face (4 116 подань станом на 6 листопада 2026 року). Він показує насичення. Вартість і запуски не перевірено.

5Хто ставив місця

Провідні ШІ: Claude, ChatGPT, Meta, Grok, Gemini, Nova, Kimi, Wenxin, DeepSeek. Кожен сам склав свій список із десяти місць і до кожного місця назвав джерело.

6Як зведено місця

Те саме, назване різними ШІ по-різному, рахували як одне. Що більше ШІ включили пункт до свого списку і що вище поставили, то вище його місце. «Згода ШІ» показує, у скількох ШІ цей пункт був у власному списку. Джерела — лише ті, що знайшли самі ШІ, нічого не додано вручну.

05Список кожного ШІ окремо

🇺🇸 Claude10 місць · нотаток: 4

Те саме питання, відповідь одного ШІ — Claude. Підсумковий список вище об'єднує всі ШІ.

  1. 1
    Claude Sonnet 4.5 у HAL Generalist Agent (GAIA, прогін 2025)

    Єдиний прогін, що перевищив 74% загалом і 65% на рівні 3, приблизно за $1,45 за розв’язане питання. HAL позначає його як Парето-оптимальний.

  2. 2
    o4-mini (Low) у HAL Generalist Agent

    Досягає 58% загалом і 53,85% на найскладнішому рівні, приблизно за $0,76 за розв’язане питання. Це найкраще поєднання ціни та сили на рівні 3 у таблиці HAL.

    Джерело ↗
  3. 3
    GPT-5 Medium у HAL Generalist Agent

    Коштує близько $1,07 за розв’язане питання, тоді як та сама модель у HF Open Deep Research коштує близько $3,47. Обв’язка змінює ціну більше, ніж сама модель.

    Джерело ↗
  4. 4
    Claude 3.7 Sonnet High у HAL Generalist Agent

    Модель з лютого 2025 року досі набирає 57,69% на рівні 3, попереду GPT-5 Medium із 46%, при приблизно $1,16 за розв’язане питання.

    Джерело ↗
  5. 5
    Claude Haiku 4.5 у HAL Generalist Agent

    Дешева модель Claude отримує 61,54% на рівні 3, що перевищує її власний результат на рівні 2 — 51,16%.

    Джерело ↗
  6. 6
    o4-mini (High) у HAL Generalist Agent

    Це найдешевша модель за розв’язане питання, близько $0,66, але її 46% на рівні 3 — головна причина, чому вона нижча за o4-mini Low.

    Джерело ↗
  7. 7
    Claude Sonnet 4.5 High (розширене мислення) у HAL Generalist Agent

    Розширене мислення коштувало майже те саме ($179,86 проти $178,20), але знизило точність на 3,6 пункту, а рівень 3 упав із 65% до 46%.

    Джерело ↗
  8. 8
    GPT-4.1 у HF Open Deep Research

    Це приблизно річна модель без міркувань, яка розв’язує 50% питань приблизно по $1,32 кожне, але слабка на рівні 3 (34,6%).

    Джерело ↗
  9. 9
    Claude Opus 4.1 High у HAL Generalist Agent

    Набирає 68,5%, але коштує $562, близько $5 за розв’язане питання, і приблизно в 3,4 раза дорожче за Sonnet 4.5 за розв’язане питання, при нижчій точності.

    Джерело ↗
  10. 10
    GPT-5 Medium у HF Open Deep Research

    Набирає 62,8%, що на 7-му місці в таблиці HAL, але за $359,83 коштує приблизно в 3,4 раза більше, ніж та сама модель у HAL Generalist Agent.

    Джерело ↗

Що помітив Claude

Самостійно надіслані результати на тестовому наборі GAIA вже перевищили людський базовий рівень 92. Keen AgenticOS V1.1 лідирує з 94,35, а 51 подання стоїть вище за 92. Найкращий власний повторний прогін Прінстонського університету дає 74,55% на валідаційному наборі, приблизно за $178. Це різні розбиття і різні налаштування, тож два числа не можна прямо порівнювати.

Джерело ↗

Верхнє місце в GAIA змінювало власника 22 вересня, 12 жовтня і 3 листопада, щоразу приблизно на третину пункту. Коли п’ять лідерів лежать у межах близько пункту один від одного, таблиця їх більше не розділяє. Лише рівень 3 ще показує розкид.

Джерело ↗

На HAL більше міркувань не означає кращих результатів. Sonnet 4.5 High набирає менше, ніж звичайний Sonnet 4.5, за ту саму ціну, а Opus 4.1 коштує приблизно втричі дорожче за Sonnet 4.5 і набирає менше.

Джерело ↗

GAIA перевіряє, чи може агент знайти факт. Нічого не бронюється, не оплачується і не надсилається, і між питаннями нічого не запам’ятовується. Трекер вказує на Gaia2, де GPT-5 (high) досягає 42% pass@1.

Джерело ↗
🇺🇸 ChatGPT10 місць · нотаток: 4

Те саме питання, відповідь одного ШІ — ChatGPT. Підсумковий список вище об'єднує всі ШІ.

  1. 1
    HAL Generalist Agent — Claude Sonnet 4.5 (вересень 2025)

    Розв’язав майже три чверті валідаційного набору за $178,20 за весь прогін і при цьому лідирує в цьому списку на рівні 3 з 65,39%.

    Джерело ↗
  2. 2
    HAL Generalist Agent — Claude 3.7 Sonnet High (лютий 2025)

    Він відстає від загального лідера на 10,31 пункту, але за оцінковою вартістю однієї правильної відповіді коштує приблизно на 31% менше і набирає 57,69% на рівні 3.

    Джерело ↗
  3. 3
    HAL Generalist Agent — Claude Haiku 4.5 (жовтень 2025)

    Його 61,54% на рівні 3 — другий найвищий серед перелічених тут, за оцінкових $1,41 за правильну відповідь.

    Джерело ↗
  4. 4
    HAL Generalist Agent, Парето-оптимальний — o4-mini Low (квітень 2025)

    Найдешевша оцінена успішна відповідь серед цих десяти — приблизно $0,76, хоча її загальний результат на 16,37 пункту нижчий за лідера.

    Джерело ↗
  5. 5
    HAL Generalist Agent — Claude 3.7 Sonnet (лютий 2025)

    Прогін за $130,68 дає 56,36%, тобто близько до Haiku за загальною точністю, але на рівні 3 на 15,39 пункту позаду.

    Джерело ↗
  6. 6
    HAL Generalist Agent — Claude Sonnet 4.5 High (вересень 2025)

    Високе зусилля коштує лише трохи більше за звичайний прогін Sonnet, але набирає на 3,64 пункту менше загалом і на 18,08 менше на рівні 3.

    Джерело ↗
  7. 7
    HAL Generalist Agent — Claude Opus 4.1 High (серпень 2025)

    Це на 5,06 пункту точності нижче за Sonnet 4.5, і весь прогін коштує більше ніж утричі дорожче.

    Джерело ↗
  8. 8
    HAL Generalist Agent — Claude Opus 4.1 (серпень 2025)

    Вимкнення режиму High знижує звітну вартість прогону приблизно на $80, але точність падає на 4,24 пункту, а рівень 3 — до 42,31%.

    Джерело ↗
  9. 9
    Hugging Face Open Deep Research — GPT-5 Medium (серпень 2025)

    Він випереджає прогін GPT-5 Medium у HAL Generalist Agent на 3,41 пункту точності, але звітна вартість приблизно в 3,4 раза вища.

    Джерело ↗
  10. 10
    HAL Generalist Agent — Claude Opus 4 High (травень 2025)

    Він коштує $665,89 і все одно набирає менше, ніж значно дешевша конфігурація Sonnet 4.5, і за загальною точністю, і на рівні 3.

    Джерело ↗

Що помітив ChatGPT

Лідер за загальною точністю не є лідером за бюджетом: запис o4-mini у HAL коштує приблизно $0,76 за оцінкову правильну відповідь, проти приблизно $1,45 у Sonnet 4.5, але набирає на 16,37 пункту менше загалом і на 11,54 пункту менше на рівні 3.

Джерело ↗

Складніший рівень міняє картину: Haiku 4.5 набирає 61,54% на рівні 3, вище за кілька дорожчих конфігурацій, попри лише 56,36% загалом.

Джерело ↗

Живе оголошення HAL каже, що його модельна таблиця призупинена, а деякі показані вартості завищені вдвічі. Це застереження може змінити видимі рейтинги вартості, а HAL каже, що ще не перерахував відповідні рядки.

Джерело ↗

Власний живий огляд результатів GAIA вказує на проблему насичення і застерігає від того, щоб вважати оцінку в таблиці повним виміром корисності персонального агента.

Джерело ↗
🇺🇸 Gemini10 місць

Те саме питання, відповідь одного ШІ — Gemini. Підсумковий список вище об'єднує всі ШІ.

  1. 1
    OpenHands (Олл-Гендс AI)

    Дає 72% точності GAIA лише за $0,48 на завдання, поєднуючи відкриту обв’язку з моделями з кешуванням промптів, і в 40 разів перевершує платні прогони за $20 за ціновою ефективністю.

  2. 2
    Browser Use

    Має найлегший профіль веб-автоматизації в мережі: проходить навігацію браузером у середньому за $0,18 за сесію.

    Джерело ↗
  3. 3
    Manus AI

    Веде довгі багатогодинні дослідження і документні процеси в ізольованій пісочниці з ефективною амортизованою вартістю $0,65 за готовий результат.

  4. 4
    H2O GPTe

    Має корпоративні цикли витягування документів, які тримають точність на рівні 74,1%, а витрати на API за завдання — менше п’ятдесяти центів.

    Джерело ↗
  5. 5
    Claude Computer Use (Антропік)

    Задає золотий стандарт точності на рівні GUI для рівнів 2 і 3, але цикл візуальної перевірки піднімає вартість виконання до $2,15 за завдання.

    Джерело ↗
  6. 6
    Microsoft Magentic-One (AutoGen)

    Оркеструє чотирьох спеціалізованих субагентів для складних дослідницьких процесів і платить $1,90 за багатоходові витрати токенів заради стійкого відновлення завдань.

    Джерело ↗
  7. 7
    AutoGPT (Forge Scaffold)

    Має надзвичайно дешевий початковий рівень виконання ($0,32/завдання), але різко падає, коли залежності довгого горизонту рівня 3 потрапляють у нескінченні цикли повторів.

  8. 8
    OpenAI Operator (CUA)

    Проходить динамічні споживчі сайти з плавним заповненням форм, але важке тарифікування токенів зору тримає базову вартість завдання близько $2,40.

    Джерело ↗
  9. 9
    Devin (Коґнішн Лабс)

    Домінує в автоматизованих задачах програмної інженерії, але виділене хмарне середовище дає реальну вартість прогону $6,50–$12,00 за виконане завдання.

    Джерело ↗
  10. 10
    Shadow Harness V8 (оптимізатор GAIA)

    Піднімається до лідерського результату 94,0% GAIA на Hugging Face, але витрачає понад $22,00 за завдання на необрізані рекурсивні токени міркувань.

    Джерело ↗
🇨🇳 Kimi10 місць · нотаток: 4

Те саме питання, відповідь одного ШІ — Kimi. Підсумковий список вище об'єднує всі ШІ.

  1. 1
    Claude Sonnet 4.5 + HAL Generalist Agent (вересень 2025)

    Найкраща перевірена точність у таблиці (74,55%) і найкращий результат на найскладнішому рівні (65,4%), приблизно за долар за завдання.

    Джерело ↗
  2. 2
    Claude 3.7 Sonnet High + HAL Generalist Agent (лютий 2025)

    Модель з лютого 2025 року, яка випереджає новішу Opus 4.1 High на найскладнішому рівні (57,7% проти 53,8%) за п’яту частину ціни.

    Джерело ↗
  3. 3
    OpenAI o4-mini Low + HAL Generalist Agent (квітень 2025)

    Зрівнюється з прогоном Claude Opus 4.1 High за $562 на найскладнішому рівні (рівно 53,85%), тоді як увесь прогін коштує $73,26.

    Джерело ↗
  4. 4
    GPT-5 Medium + HAL Generalist Agent (серпень 2025)

    Найдешевший перевірений шлях за межу 59%: $104,75 за весь прогін, приблизно $0,63 за завдання.

    Джерело ↗
  5. 5
    Claude Haiku 4.5 + HAL Generalist Agent (жовтень 2025)

    «Маленька» модель родини має другий за складністю результат на всій таблиці: 61,5% на рівні 3.

    Джерело ↗
  6. 6
    OpenAI o4-mini High + HAL Generalist Agent (квітень 2025)

    $59,39 покривають весь прогін із 165 завдань, найдешевший Парето-оптимальний запис, що ще перевищує 54%.

    Джерело ↗
  7. 7
    GPT-6.1 Sol (max), перевірка за Artificial Analysis Intelligence Index v5

    На новішому, переважно приватному індексі v5 вона відстає на 3 пункти від лідера з $10,04, коштуючи $1,27 за завдання, тобто восьмину ціни.

    Джерело ↗
  8. 8
    Claude Opus 5.5 (max), лідер Artificial Analysis Intelligence Index v5

    Найрозумніша модель на найновішому індексі і найдорожчий спосіб купити один пункт: $10,04 за завдання.

    Джерело ↗
  9. 9
    Claude Sonnet 4.5 High + HAL Generalist Agent (вересень 2025)

    Оплата за більше міркувань програє: на 4 пункти нижче загалом і на 19 пунктів нижче на найскладнішому рівні, ніж та сама модель зі стандартним зусиллям, і за ту саму ціну.

    Джерело ↗
  10. 10
    Gemini 2.0 Flash + HAL Generalist Agent (лютий 2025)

    Повний прогін GAIA за $7,80, це 1/23 вартості лідера, при збереженні 44% його точності.

    Джерело ↗

Що помітив Kimi

Два правдивих числа, що різняться на 20 пунктів: самостійно надіслані результати на Hugging Face GAIA очолює 94,35% (вище за людський базовий рівень 92%), а незалежний повторний прогін агентів, якими керує Прінстонський університет, сягає лише 74,55%. Насичення публічної таблиці реальне: 51 подання вже вище за людську межу, тому цей рейтинг спирається на незалежні повторні прогони.

Джерело ↗

Сам HAL від Прінстонського університету позначає (5 жовтня 2026), що деякі з його опублікованих вартостей прогонів завищені рівно вдвічі через подвійно враховані відрізки трасування. Додавання нових моделей він повністю призупинив, тож його таблиця є знімком переважно систем 2025 року.

Джерело ↗

Реальна різниця — вартість за завершене завдання, а не цінник: серед десяти найкращих моделей за Artificial Analysis v5 найдешевша (GPT-6.1 Terra) коштує $0,96 за завдання, а найдорожча (Claude Fable 5.1) — $13,04. Це розрив понад 13 разів при різницях в індексі в одну цифру.

Джерело ↗

Команда з Каліфорнійського університету у Берклі набрала близько 98% на валідаційному розбитті GAIA, не розв’язавши жодного завдання: вона прочитала публічний файл відповідей і зловживала нормалізатором відповідей. Це найсильніший аргумент на користь тестових наборів із прихованими відповідями та незалежних повторних прогонів, а не будь-якої окремої таблиці.

Джерело ↗