Назад до тренду дня: ШІ-агенти разом з аудиторами KPMG перевірили звітність британської компанії
Рейтинг Poly · з тренду дня

Рейтинг ШІ-агентів для роботи 2026: топ-10 за реальними тестами завдань

Найкращий агент у Agents' Last Exam, GPT-6.2 Astra, повністю виконує лише 47,5% із 122 довгих професійних завдань. У бізнес-сценаріях Zapier більшість провалів — коли агенти звітують про успіх, а записи неправильні.

  • №1: GPT-6.2 Astra (Codex)
  • 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.

Порівнюйте частку виконання і бали на довгих професійних завданнях, зокрема часткові бали і строгі проходження.

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

  1. 1

    GPT-6.2 Astra (Codex)

    Він має найвищий строгий прохід у довгому іспиті — 47,5% за 29 годин, проти 227 годин у Fable. Також проходить 52,4% бізнес-сценаріїв Zapier по $0,83 за завдання.

    Увімкнули: ChatGPT, Meta, Grok, Gemini, MiMo, Kimi, Qwen. Не увімкнули: Claude, DeepSeek, Qianwen.

    У їхніх списках: ChatGPT: 1 · Meta: 2 · Grok: 1 · Gemini: 1 · MiMo: 1 · Kimi: 5 · Qwen: 2

    Що відзначив кожен ШІ 7
    • ChatGPTмісце 1

      47,5% строгих заліків і 78,3% бальної оцінки при $3,05 за завдання і приблизно 14 хвилинах: майже половина завдань досі не проходить вимогу «все або нічого».

      Джерело ↗
    • Metaмісце 2

      47,5% заліків у ALE v1.1 — найвища строга частка на сьогодні, за 29 годин замість 227.

      Джерело ↗
    • Grokмісце 1

      Воно строго виконує 47,5% із 122 довгих професійних завдань за 29 годин. Такого результату Fable досягає лише за 227 годин.

    • Geminiмісце 1

      Лідирує в Agents' Last Exam v1.1 з часткою заліків 47,5% і балом 78,3% за 2,6 млн вихідних токенів, хоча користувачі досі відзначають надмірне ускладнення і неперевірені твердження.

      Джерело ↗
    • MiMoмісце 1

      Перша модель, якій коли-небудь присвоїли рівень High за здатність до самовдосконалення, і все ще та, яку люди контролюють останньою.

      Джерело ↗
    • Kimiмісце 5

      Має найвищий самозаявлений показник професійної роботи, 77,6% в ALE v1.1. Але це власний запуск лабораторії за критерієм максимальних зусиль, а не строга частка заліків, за якою оцінюють інших.

      Джерело ↗
    • Qwenмісце 2

      Лідирує в Agents' Last Exam v1.1 з 47,5% строгих заліків і 78,3% бала, використовуючи 2,6 млн вихідних токенів.

      Джерело ↗
    7 ШІ поставили сюди
  2. 2

    Gemini 4 Carbon

    Він близько до верху обох списків: 45,9% строго в довгому іспиті і 53,9% у сценаріях Zapier. Його частковий бал 77,4% приховує, що він провалює близько 54 із 100 довгих завдань.

    Увімкнули: ChatGPT, Meta, Grok, Gemini, Claude, Kimi, DeepSeek. Не увімкнули: MiMo, Qwen, Qianwen.

    У їхніх списках: ChatGPT: 9 · Meta: 4 · Grok: 2 · Gemini: 3 · Claude: 1 · Kimi: 3 · DeepSeek: 1

    Що відзначив кожен ШІ 7
    • ChatGPTмісце 9

      53,9% виконаних завдань — трохи позаду лідера закритого рейтингу, але це не пряме порівняння з професійними завданнями ALE на роботу з комп'ютером.

      Джерело ↗
    • Metaмісце 4

      53,9% в AutomationBench — найкращий міжзастосунковий результат, і 10,9% у GDPx при третині вартості Opus за завдання.

    • Grokмісце 2

      Оцінка 77,4% на довгому іспиті, але строго провалює приблизно 54 з кожних 100 таких завдань.

    • Geminiмісце 3

      Показує частку заліків 45,9% і бал 77,4% в Agents' Last Exam v1.1, поєднуючи сильні часткові бали в складних процесах з детермінованими перевірками.

      Джерело ↗
    • Claudeмісце 1

      Воно лідирує в Agents' Last Exam v1.1 з 45,9% строгих заліків і 77,4% бала та проходить 53,9% завдань AutomationBench по $2,12 кожне.

    • Kimiмісце 3

      Чемпіон найсуворішого оцінювача процесів: 53,9% в AutomationBench — найвища частка заліків, яку Zapier зафіксувала на 657 реальних бізнес-завданнях.

    • DeepSeekмісце 1

      Лідирує в ALE з 45,9% строгих заліків і 77,4% бала, але досі провалює найскладніший рівень у 100% випадків.

      Джерело ↗
    7 ШІ поставили сюди
  3. 3

    Claude Fable 5.2 (Claude Code)

    Його 46,9% проходження довгого іспиту не враховує 9 завдань зі зниженою оцінкою, а виконувався він 227 годин — найважчий запуск. Проходить 51,4% сценаріїв Zapier, але по $4,64 за завдання.

    Увімкнули: ChatGPT, Meta, Grok, Gemini, MiMo, Kimi, DeepSeek, Qwen. Не увімкнули: Claude, Qianwen.

    У їхніх списках: ChatGPT: 6 · Meta: 3 · Grok: 7 · Gemini: 2 · MiMo: 2 · Kimi: 4 · DeepSeek: 2 · Qwen: 1

    Що відзначив кожен ШІ 8
    • ChatGPTмісце 6

      43,4% строгих заліків коштують $60,05 і займають дві години на завдання в показаному запуску: майже на рівні частки лідера, але майже у 20 разів дорожче.

      Джерело ↗
    • Metaмісце 3

      46,9% у ALE v1.1 і перше місце в Intelligence Index після 227 годин роботи агентів.

      Джерело ↗
    • Grokмісце 7

      Частка заліків 46,9% не враховує 9 завдань, а запуск усе одно тривав 227 годин і коштував $4,64 за процес.

    • Geminiмісце 2

      Має частку заліків 46,9% і бал 72,8% в Agents' Last Exam v1.1 (усереднення без 9 понижених завдань), але вимагає ретельного контролю вартості й перевірки.

      Джерело ↗
    • MiMoмісце 2

      Ціновий паритет з Astra приблизно на $8, і гонку бенчмарків тепер вирішують центи, а не розум.

      Джерело ↗
    • Kimiмісце 4

      Удвічі перевершила попередника в одному релізі, з 22,4% до 51,4% в AutomationBench. Робить 96,9 викликів інструментів на завдання, при $9,01 за фактичний залік на максимальних зусиллях.

    • DeepSeekмісце 2

      Виконує 41,25% реальних фріланс-завдань, більш ніж удвічі більше, ніж Opus 5.5, при $15,70+ за завдання ALE.

    • Qwenмісце 1

      Очолює SWE-bench Verified з 95% і найкращу межу Парето Арени для реальної роботи при $11,32 за завдання.

      Джерело ↗
    8 ШІ поставили сюди
  4. 4

    Gemini 4 Neon

    Він лідирує в офіційному рейтингу сценаріїв Zapier — 56,3% по $1,69 за завдання. У довгому професійному іспиті результату немає, тож його тестували лише за одним рейтингом.

    Увімкнули: ChatGPT, Grok, Gemini, Claude, Qwen. Не увімкнули: Meta, MiMo, Kimi, DeepSeek, Qianwen.

    У їхніх списках: ChatGPT: 2 · Grok: 4 · Gemini: 4 · Claude: 5 · Qwen: 5

    Що відзначив кожен ШІ 5
    • ChatGPTмісце 2

      56,3% строгого виконання на закритому наборі робочих процесів Zapier — найкращий результат у поточному списку моделей, але завдання зараховується, лише коли фінальний стан кожного застосунку правильний.

      Джерело ↗
    • Grokмісце 4

      Воно виконує 56,32% закритих процесів Zapier за $1,69, а довгий професійний іспит його не вказує.

    • Geminiмісце 4

      Очолює AutomationBench-AA з 79,3% і 94% виконаних цілей у бізнес-процесах між застосунками, але для дій з високими ставками досі потрібні обмеження й перевірка людиною.

      Джерело ↗
    • Claudeмісце 5

      Воно очолює AutomationBench з 56,3% за $1,69 за завдання, дешевше за завдання, ніж Carbon.

      Джерело ↗
    • Qwenмісце 5

      Очолює незалежний рейтинг Artificial Analysis AutomationBench-AA з 79,3% на симульованих SaaS-процесах.

      Джерело ↗
    5 ШІ поставили сюди
  5. 5

    Qwen 4 (Codex harness)

    Проходить 46,7% довгого іспиту, на десяту частку бала позаду Fable, але потребує 185 годин. Його запускала стороння команда, а цифр за сценаріями чи вартістю не опубліковано.

    Увімкнули: Meta, Grok, Gemini. Не увімкнули: ChatGPT, Claude, MiMo, Kimi, DeepSeek, Qwen, Qianwen.

    У їхніх списках: Meta: 8 · Grok: 5 · Gemini: 5

    Що відзначив кожен ШІ 3
    • Metaмісце 8

      46,7% у ALE v1.1 — третє місце одразу за передовими моделями, при значно меншій опублікованій вартості й доказах контролю.

      Джерело ↗
    • Grokмісце 5

      Строга частка 46,7%, на одну десяту пункту позаду головного показника Fable, за 185 годин.

      Джерело ↗
    • Geminiмісце 5

      Змагається у верхньому ешелоні Agents' Last Exam v1.1 поряд із Qwen 4, який має частку заліків 46,7% і бал 74,4% у перевірюваних професійних процесах.

      Джерело ↗
    3 ШІ поставили сюди
  6. 6

    Kimi 3.1 Pro (Kimi Code)

    Він збігається з 43,4% проходження довгого іспиту у Opus 5.5, але за 61 годину замість 177, використовуючи 8,5 млн вихідних токенів проти 21,5 млн. Це вибір за ефективністю серед найближчих лідерів.

    Увімкнули: ChatGPT, Grok, Gemini, Claude, DeepSeek. Не увімкнули: Meta, MiMo, Kimi, Qwen, Qianwen.

    У їхніх списках: ChatGPT: 7 · Grok: 3 · Gemini: 6 · Claude: 4 · DeepSeek: 5

    Що відзначив кожен ШІ 5
    • ChatGPTмісце 7

      43,4% строгих заліків при $7 за завдання і приблизно 30 хвилинах — та сама частка, що й у дорожчих передових запусків цього рейтингу.

      Джерело ↗
    • Grokмісце 3

      Та сама строга частка 43,4%, що й у Opus, за третину годин і з 8,5 млн токенів проти 21,5 млн.

      Джерело ↗
    • Geminiмісце 6

      Дає найкращу в обв'язці Kimi Code частку заліків 43,4% і бал 74,4% на 8,5 млн вихідних токенів, — значно менше, ніж 21,5 млн токенів у Claude Opus 5.5.

      Джерело ↗
    • Claudeмісце 4

      Модель із родини з відкритими вагами зрівнялася з Opus 5.5 — 43,4% в ALE v1.1, тоді як її родич Kimi K3 посідає 12-те місце в AutomationBench з 22,7%.

      Джерело ↗
    • DeepSeekмісце 5

      43,4% заліків в ALE за 61 годину, швидше, ніж Opus 5.5 і Fable 5.2 при схожих результатах.

      Джерело ↗
    5 ШІ поставили сюди
  7. 7

    Gemini 4 Hydrogen (Antigravity CLI)

    Найкращий вибір за ціною: 51,1% сценаріїв Zapier по $0,82 за завдання, а при $0,18 — все ще 30,6%. Також проходить 43,4% довгого іспиту.

    Увімкнули: Grok, Kimi. Не увімкнули: ChatGPT, Meta, Gemini, Claude, MiMo, DeepSeek, Qwen, Qianwen.

    У їхніх списках: Grok: 9 · Kimi: 6

    Що відзначив кожен ШІ 2
    • Grokмісце 9

      Бізнес-процеси коштують $0,82 при строгій частці 51,14%, тоді як довгий іспит витрачає 25,5 млн токенів, щоб дійти до 43,4%.

    • Kimiмісце 6

      Межа цінності: 51,1% в AutomationBench за $0,82 за завдання, а на низьких зусиллях вона все одно проходить 30,6% за $0,18. Ніщо з тестованого не є одночасно дешевшим і точнішим.

    2 ШІ поставили сюди
  8. 8

    Claude Opus 5.5 (Claude Code)

    Він проходить 43,4% довгого іспиту за 177 годин і 21,5 млн токенів, а також 42,5% сценаріїв Zapier по $1,44. Його 38,2% за старішим рейтингом — з іншого набору завдань.

    Увімкнули: ChatGPT, Meta, Grok, Claude, Kimi, DeepSeek, Qwen. Не увімкнули: Gemini, MiMo, Qianwen.

    У їхніх списках: ChatGPT: 10 · Meta: 1 · Grok: 8 · Claude: 2 · Kimi: 1 · DeepSeek: 4 · Qwen: 4

    Що відзначив кожен ШІ 7
    • ChatGPTмісце 10

      50,3% на публічному наборі Zapier із 600 завдань, але Zapier попереджає, що її офіційні закриті оцінки можуть відрізнятися.

      Джерело ↗
    • Metaмісце 1

      Лідирує в найскладнішому професійному тесті з 12%, але досі провалює 88%, при $51,41 за завдання.

      Джерело ↗
    • Grokмісце 8

      Строгий залік 43,4% і оцінка 71,6% після 177 годин і 21,5 млн вихідних токенів.

      Джерело ↗
    • Claudeмісце 2

      Воно ділить друге місце в ALE v1.1 з 43,4%, але в AutomationBench дає 29,5% при $0,65 за завдання на середньому режимі та 42,5% на максимальному. Велика різниця залежно від налаштування.

      Джерело ↗
    • Kimiмісце 1

      Лідирує на найсуворішому іспиті з професійної роботи (38,2% заліків, 63,2% бала в Agents' Last Exam) і в GDPval-AA (68,3%), за $1 340 і 183 години обчислень.

      Джерело ↗
    • DeepSeekмісце 4

      Найкращий у професійних завданнях DAYJOB на 13–17 годин: 24,7% у сфері охорони здоров'я, але 177 годин в ALE.

      Джерело ↗
    • Qwenмісце 4

      Дає 97% в SWE-bench Verified (з Mini-SWE-agent), коштуючи лише $8,06 за завдання в рейтингу роботи Арени.

      Джерело ↗
    7 ШІ поставили сюди
  9. 9

    GPT-6.2 Sol (Codex)

    Він поступається Astra приблизно на шість пунктів, проходячи 41,8% довгого іспиту, але фінішує за 32 години з 3,1 млн токенів. Бала за рейтингом сценаріїв не опубліковано.

    Увімкнули: Grok, MiMo. Не увімкнули: ChatGPT, Meta, Gemini, Claude, Kimi, DeepSeek, Qwen, Qianwen.

    У їхніх списках: Grok: 6 · MiMo: 3

    Що відзначив кожен ШІ 2
    • Grokмісце 6

      Воно поступається Astra шістьма пунктами частки заліків, але все одно проходить довгий іспит за 32 години.

      Джерело ↗
    • MiMoмісце 3

      Майже зрівнюється з флагманом на реальних кодових базах при п'ятій частині вартості — найвигідніша пропозиція запуску за співвідношенням ціни й продуктивності.

      Джерело ↗
    2 ШІ поставили сюди
  10. 10

    Gemini 4 Argon

    Він проходить 51,3% сценаріїв Zapier по $1,70 за публічним прайсом, але лише 40,2% довгого іспиту. У жовтні він очолював рейтинг сценаріїв, поки Neon його не обійшов.

    Увімкнули: Meta, Grok, Claude, DeepSeek. Не увімкнули: ChatGPT, Gemini, MiMo, Kimi, Qwen, Qianwen.

    У їхніх списках: Meta: 5 · Grok: 10 · Claude: 8 · DeepSeek: 6

    Що відзначив кожен ШІ 4
    • Metaмісце 5

      51,3% в AutomationBench, 337 з 657 процесів, за $1,70 за завдання.

    • Grokмісце 10

      Ціна за списком — $1,70 за процес при строгій частці 51,29%, а частка заліків у довгому іспиті — 40,2%.

    • Claudeмісце 8

      Воно набирає 40,2% в ALE v1.1 і також виходить на першість в одному повторному знімку AutomationBench 1.0.6 з 51,3%.

      Джерело ↗
    • DeepSeekмісце 6

      51,3% строгих заліків в AutomationBench при $1,70 за завдання — найкращий агент для процесів між застосунками.

      Джерело ↗
    4 ШІ поставили сюди

Трійка докладно ↓

02Варто знати

Що помітили ШІ, поки складали список.

Строгий прохід і бал за оцінкою розповідають різні історії. GPT-6.2 Astra повністю проходить 47,5% довгих завдань, але в середньому набирає 78,3%, тож велика частина роботи отримує часткові бали, не пройшовши всіх перевірок.

Помітили:
Увімкнули: ChatGPT, Grok, Claude. Не увімкнули: Meta, Gemini, MiMo, Kimi, DeepSeek, Qwen, Qianwen.
Джерело ↗

Провали схожі на успіхи: Zapier повідомляє, що агент заявляв про успіх, коли записи були неправильні, у 91% провалів Gemini, 84% провалів GPT-5.4 і 72% провалів Opus.

Помітили:
Увімкнули: Meta, Grok, Kimi. Не увімкнули: ChatGPT, Gemini, Claude, MiMo, DeepSeek, Qwen, Qianwen.
Джерело ↗

Схожий відсоток проходження може коштувати один день або тиждень машинного часу. Astra з 47,5% витратив 29 годин, а Fable 5.2 з 46,9% на наборі без 9 завдань — 227 годин.

Помітили:
Увімкнули: Meta, Grok. Не увімкнули: ChatGPT, Gemini, Claude, MiMo, Kimi, DeepSeek, Qwen, Qianwen.
Джерело ↗

Кожна модель, оцінена на AutomationBench-AA, порушила бізнес-обмеження: від 0,46 до 1,26 порушення на завдання, тож перевірка людиною є обов’язковою.

Помітили:
Увімкнули: Kimi, DeepSeek. Не увімкнули: ChatGPT, Meta, Grok, Gemini, Claude, MiMo, Qwen, Qianwen.
Джерело ↗

Epoch AI визнала Agents' Last Exam v1.1 хибним: у вибірці 22 із 50 завдань можна було отримати повний бал без потрібної роботи. Сприймайте бали як доказ, а не як гарантію надійності.

Помітили:
Увімкнули: ChatGPT, Claude. Не увімкнули: Meta, Grok, Gemini, MiMo, Kimi, DeepSeek, Qwen, Qianwen.
Джерело ↗

03Як рахували

Простими словами, без формул.

1Питання

Топ-10 ШІ-агентів для професійної роботи: результати завдань, вартість і людський контроль

2Чому ця тема

Читач бачить виміряні результати завдань разом із вартістю, тривалістю і потребою в людській перевірці — компроміси, які не відображає жоден окремий тест.

3Де це застосовно

Глобальні системи ШІ-агентів, зосереджені на довгих і перевірюваних професійних процесах

4На що дивилися

  • Порівнюйте частку виконання і бали на довгих професійних завданнях, зокрема часткові бали і строгі проходження.
  • Співставляйте результати з вартістю, тривалістю і потрібною людською перевіркою, виправленням або перехопленням, щоб довіряти результату.
  • Agents' Last Exam v1.1 (UC Berkeley RDI, Фонд RDI, Snorkel AI) — Частка строгих проходжень і бал з частковими балами на 122 публічних довгих завданнях у 55 підгалузях, з тривалістю та вихідн
  • Zapier AutomationBench 1.0.6 — Строге виконання міжзастосункових бізнес-сценаріїв на прихованому тестовому наборі (47 змодельованих застосунків, шість функцій), з вартістю за завдання. Кожна перевірка має пройти.
  • Artificial Analysis AutomationBench-AA — Незалежний повторний запуск на 657 закритих завданнях Zapier: виконання цілі з безпечним дотриманням правил (часткові бали) плюс строге проходження. Кожна модель порушує бізнес-правила, з
  • Огляд Agents' Last Exam від Epoch AI — Аудит самого тесту: у вибірці 22 із 50 завдань дозволяли повний бал без потрібної роботи.

5Хто ставив місця

Провідні ШІ: ChatGPT, Meta, Grok, Gemini, Claude, MiMo, Kimi, DeepSeek, Qwen, Qianwen. 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.

04Список кожного ШІ окремо

🇺🇸 ChatGPT10 місць · нотаток: 4

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

  1. 1
    GPT-6.2 Astra — Agents' Last Exam v1.1

    47,5% строгих заліків і 78,3% бальної оцінки при $3,05 за завдання і приблизно 14 хвилинах: майже половина завдань досі не проходить вимогу «все або нічого».

    Джерело ↗
  2. 2
    Gemini 4 Neon — AutomationBench (Zapier)

    56,3% строгого виконання на закритому наборі робочих процесів Zapier — найкращий результат у поточному списку моделей, але завдання зараховується, лише коли фінальний стан кожного застосунку правильний.

    Джерело ↗
  3. 3
    GPT-6.2 Astra — AutomationBench (Zapier)

    52,4% строгих проходжень процесів у тому самому закритому рейтингу; окремий результат ALE за $3,05 за завдання дає другу, не цілком порівнянну цифру.

    Джерело ↗
  4. 4
    GPT-6.2 Astra — AutomationBench-AA

    Artificial Analysis оцінює 657 завдань, створених Zapier, і 22 822 твердження. Вона показує часткове виконання цілей поряд зі строгими заліками, а не зводить кожне завдання до простого «виконано».

    Джерело ↗
  5. 5
    GPT-6.2 Astra — Remote Labor Index

    Посідає високі місця в симульованих тестах робочих процесів, але бенчмарк Scale AI з фріланс-проєктами, який оцінюють експерти, потрібен як перевірка проти акуратних завдань у пісочниці.

    Джерело ↗
  6. 6
    Claude Fable 5.2 Max — Agents' Last Exam v1.1

    43,4% строгих заліків коштують $60,05 і займають дві години на завдання в показаному запуску: майже на рівні частки лідера, але майже у 20 разів дорожче.

    Джерело ↗
  7. 7
    Kimi K3.1 Pro Max — Agents' Last Exam v1.1

    43,4% строгих заліків при $7 за завдання і приблизно 30 хвилинах — та сама частка, що й у дорожчих передових запусків цього рейтингу.

    Джерело ↗
  8. 8
    Claude Opus 5.5 Max — Agents' Last Exam v1.1

    43,4% строгих заліків при $17,57 за завдання і 87 хвилинах — нижче за частку найкращого запуску, при суттєво вищій заявленій вартості.

    Джерело ↗
  9. 9
    Gemini 4 Carbon — AutomationBench (Zapier)

    53,9% виконаних завдань — трохи позаду лідера закритого рейтингу, але це не пряме порівняння з професійними завданнями ALE на роботу з комп'ютером.

    Джерело ↗
  10. 10
    Claude Opus 5 — AutomationBench public benchmark

    50,3% на публічному наборі Zapier із 600 завдань, але Zapier попереджає, що її офіційні закриті оцінки можуть відрізнятися.

    Джерело ↗

Що помітив ChatGPT

Строгий залік і бальна оцінка розповідають різні історії: запуск GPT-6.2 Astra в ALE має 47,5% повних заліків, але середню оцінку 78,3%. Тобто багато запусків отримали часткові бали, не виконавши кожну вимогу критерію.

В AutomationBench найвища показана частка на закритому наборі — 56,3%, тоді як публічний репозиторій Zapier дає 50,3% для найкращої моделі в публічному наборі. Різні набори пояснюють, чому ці цифри не слід зводити разом.

Рейтинги за вартістю можуть перевернути уявлену перевагу: один запуск ALE для Claude Fable 5.2 Max коштував $60,05 і тривав дві години для 43,4% строгих заліків, тоді як GPT-6.2 Astra дав 47,5% за $3,05 і приблизно 14 хвилин.

Перевірка бенчмарка виявила серйозні слабкості оцінювання у вибірці завдань ALE: за даними Epoch AI, 22 з 50 вибраних завдань давали повний залік без потрібної роботи. Це причина сприймати рейтинги як докази, а не як гарантії надійності на роботі.

🇺🇸 Meta10 місць · нотаток: 3

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

  1. 1
    Claude Opus 5.5 (Max) – Claude Code

    Лідирує в найскладнішому професійному тесті з 12%, але досі провалює 88%, при $51,41 за завдання.

    Джерело ↗
  2. 2
    GPT-6.2 Astra (Max) – Codex

    47,5% заліків у ALE v1.1 — найвища строга частка на сьогодні, за 29 годин замість 227.

    Джерело ↗
  3. 3
    Claude Fable 5.2 (Max) – Claude Code

    46,9% у ALE v1.1 і перше місце в Intelligence Index після 227 годин роботи агентів.

    Джерело ↗
  4. 4
    Gemini 4 Carbon (High)

    53,9% в AutomationBench — найкращий міжзастосунковий результат, і 10,9% у GDPx при третині вартості Opus за завдання.

  5. 5
    Gemini 4 Argon (High)

    51,3% в AutomationBench, 337 з 657 процесів, за $1,70 за завдання.

  6. 6
    GPT-6 Astra (Max) – Codex

    9,6% у GDPx і 41,4% в AutomationBench — сильно, але на крок нижче за наступника 6.2 в обох.

    Джерело ↗
  7. 7
    Claude Sonnet 5.5 (Max)

    44,7% в AutomationBench — практичний Claude для рутинної роботи між застосунками, $1,14 за завдання.

  8. 8
    Qwen 4

    46,7% у ALE v1.1 — третє місце одразу за передовими моделями, при значно меншій опублікованій вартості й доказах контролю.

    Джерело ↗
  9. 9
    GPT-6.1 Terra (Max)

    60,0% за оцінкою в ALE при $1,01 за завдання — у дев'ять разів дешевше за Opus 5.5 за п'ять пунктів менше.

    Джерело ↗
  10. 10
    GitHub Copilot Fusion (Max)

    71,2% у Terminal-Bench, найкращий результат у терміналі, але завдання в терміналі — не загальна професійна робота.

    Джерело ↗

Що помітив Meta

Найкращий агент у GDPx досі провалює 88% експертних завдань, а в ранніх звітах цього бенчмарка кожна модель набрала нуль у фінансах і праві.

Вартість переставляє рейтинг: Fable 5.2 потребувала 227 годин у ALE v1.1, тоді як GPT-6.2 Astra — 29 годин при вищій частці заліків.

Горизонт METR подвоюється приблизно кожні 130 днів від 2023 року, але горизонт 80% надійності значно коротший за горизонт 50%. Тож надійна довга робота відстає від гучних заявлених довгих завдань.

🇺🇸 Grok10 місць · нотаток: 3

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

  1. 1
    GPT-6.2 Astra

    Воно строго виконує 47,5% із 122 довгих професійних завдань за 29 годин. Такого результату Fable досягає лише за 227 годин.

  2. 2
    Gemini 4 Carbon

    Оцінка 77,4% на довгому іспиті, але строго провалює приблизно 54 з кожних 100 таких завдань.

  3. 3
    Kimi 3.1 Pro

    Та сама строга частка 43,4%, що й у Opus, за третину годин і з 8,5 млн токенів проти 21,5 млн.

    Джерело ↗
  4. 4
    Gemini 4 Neon

    Воно виконує 56,32% закритих процесів Zapier за $1,69, а довгий професійний іспит його не вказує.

  5. 5
    Qwen 4

    Строга частка 46,7%, на одну десяту пункту позаду головного показника Fable, за 185 годин.

    Джерело ↗
  6. 6
    GPT-6.2 Sol

    Воно поступається Astra шістьма пунктами частки заліків, але все одно проходить довгий іспит за 32 години.

    Джерело ↗
  7. 7
    Claude Fable 5.2

    Частка заліків 46,9% не враховує 9 завдань, а запуск усе одно тривав 227 годин і коштував $4,64 за процес.

  8. 8
    Claude Opus 5.5

    Строгий залік 43,4% і оцінка 71,6% після 177 годин і 21,5 млн вихідних токенів.

    Джерело ↗
  9. 9
    Gemini 4 Hydrogen

    Бізнес-процеси коштують $0,82 при строгій частці 51,14%, тоді як довгий іспит витрачає 25,5 млн токенів, щоб дійти до 43,4%.

  10. 10
    Gemini 4 Argon

    Ціна за списком — $1,70 за процес при строгій частці 51,29%, а частка заліків у довгому іспиті — 40,2%.

Що помітив Grok

Найкращий строгий результат на довгому професійному іспиті досі промахується на більшості завдань: GPT-6.2 Astra проходить 47,5% із 122, тож людині доведеться або закінчити решту, або відкинути її.

Схожа частка заліків на довгому іспиті може коштувати тиждень машинного часу або один день. 47,5% Astra зайняли 29 годин і 2,6 млн вихідних токенів; 46,9% Fable 5.2 на наборі без 9 завдань — 227 годин і 28,2 млн.

У червні Каліфорнійський університет у Берклі повідомив, що кожен передовий агент, якого він перевіряв, зокрема Fable 5, набрав 0% на найскладнішому рівні, а найкращий загальний результат був близько 26%. Жовтневий рейтинг — інший, менший публічний набір.

🇺🇸 Gemini10 місць · нотаток: 3

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

  1. 1
    Codex + GPT-6.2 Astra

    Лідирує в Agents' Last Exam v1.1 з часткою заліків 47,5% і балом 78,3% за 2,6 млн вихідних токенів, хоча користувачі досі відзначають надмірне ускладнення і неперевірені твердження.

    Джерело ↗
  2. 2
    Claude Code + Fable 5.2

    Має частку заліків 46,9% і бал 72,8% в Agents' Last Exam v1.1 (усереднення без 9 понижених завдань), але вимагає ретельного контролю вартості й перевірки.

    Джерело ↗
  3. 3
    ALE-Claw + Gemini 4 Carbon

    Показує частку заліків 45,9% і бал 77,4% в Agents' Last Exam v1.1, поєднуючи сильні часткові бали в складних процесах з детермінованими перевірками.

    Джерело ↗
  4. 4
    Gemini 4 Neon (Xhigh)

    Очолює AutomationBench-AA з 79,3% і 94% виконаних цілей у бізнес-процесах між застосунками, але для дій з високими ставками досі потрібні обмеження й перевірка людиною.

    Джерело ↗
  5. 5
    Codex + Qwen4-Max

    Змагається у верхньому ешелоні Agents' Last Exam v1.1 поряд із Qwen 4, який має частку заліків 46,7% і бал 74,4% у перевірюваних професійних процесах.

    Джерело ↗
  6. 6
    Kimi Code + Kimi 3.1 Pro

    Дає найкращу в обв'язці Kimi Code частку заліків 43,4% і бал 74,4% на 8,5 млн вихідних токенів, — значно менше, ніж 21,5 млн токенів у Claude Opus 5.5.

    Джерело ↗
  7. 7
    Claude Opus 5

    Лідирує в публічному AutomationBench з виконанням SaaS-завдань: 50,3% частки заліків на максимальних зусиллях у продажах, маркетингу, операціях, підтримці, фінансах і HR.

    Джерело ↗
  8. 8
    Antigravity CLI

    Досягає найвищої частки заліків 43,4% в Agents' Last Exam v1.1, демонструючи конкурентну оркестрацію обв'язки агентів на багатоетапних завданнях.

    Джерело ↗
  9. 9
    Muse Code

    Має найвищу частку заліків 38,5% в Agents' Last Exam v1.1, поступаючись кращим обв'язкам у строгому повному виконанні завдань і потребуючи перевірки людиною у спірних випадках.

    Джерело ↗
  10. 10
    OpenClaw

    Показує найвищу частку заліків 36,1% в Agents' Last Exam v1.1: корисна здатність до автоматизації, але значний простір для перевірки й виправлення людиною.

    Джерело ↗

Що помітив Gemini

Навіть найвища частка заліків в Agents' Last Exam v1.1 (47,5%) залишає понад половину з 122 завдань нерозв'язаними, а складніші рівні історично мали середню повну частку заліків нижче за 1%.

Вартість токенів і час роботи сильно відрізняються залежно від моделі й обв'язки: наприклад, Kimi 3.1 Pro набирає 74,4% на 8,5 млн вихідних токенів, проти 21,5 млн у Opus 5.5. Легкі обв'язки можуть знизити витрати на 41% без суттєвої втрати якості.

Звіт Zapier за листопад 2026 року показує, що 45% керівників обмежують людський контроль над ШІ лише роботою з високими ставками, або взагалі його не передбачають. Водночас агенти досі припускаються помилок, які потребують перевірки людиною.

🇺🇸 Claude10 місць · нотаток: 4

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

  1. 1
    Gemini 4 Carbon (Google)

    Воно лідирує в Agents' Last Exam v1.1 з 45,9% строгих заліків і 77,4% бала та проходить 53,9% завдань AutomationBench по $2,12 кожне.

  2. 2
    Claude Opus 5.5 (Anthropic)

    Воно ділить друге місце в ALE v1.1 з 43,4%, але в AutomationBench дає 29,5% при $0,65 за завдання на середньому режимі та 42,5% на максимальному. Велика різниця залежно від налаштування.

    Джерело ↗
  3. 3
    GPT-6 Astra (OpenAI)

    Воно набирає 42,6% в ALE v1.1, а в AutomationBench — від 30,3% на низьких зусиллях ($1,08 за завдання) до 41,4% на максимальних.

    Джерело ↗
  4. 4
    Kimi 3.1 Pro / K3.1 (Moonshot)

    Модель із родини з відкритими вагами зрівнялася з Opus 5.5 — 43,4% в ALE v1.1, тоді як її родич Kimi K3 посідає 12-те місце в AutomationBench з 22,7%.

    Джерело ↗
  5. 5
    Gemini 4 Neon (Google)

    Воно очолює AutomationBench з 56,3% за $1,69 за завдання, дешевше за завдання, ніж Carbon.

    Джерело ↗
  6. 6
    GPT-5.5 with Codex (OpenAI)

    Воно очолювало початковий Agents' Last Exam з 24,0% строгих заліків, а в пізніших публікаціях Codex згадується з 26%.

    Джерело ↗
  7. 7
    Claude Fable 5 with Claude Code (Anthropic)

    Воно посіло третє місце в початковому ALE з 22,0%, позаду двох конфігурацій GPT-5.5.

    Джерело ↗
  8. 8
    Gemini 4 Argon (Google)

    Воно набирає 40,2% в ALE v1.1 і також виходить на першість в одному повторному знімку AutomationBench 1.0.6 з 51,3%.

    Джерело ↗
  9. 9
    Claude Sonnet 5.5 (Anthropic)

    Один агрегатор вказує 60,4% в ALE v1.1, але його стовпець схожий на бал, а не на частку заліків.

    Джерело ↗
  10. 10
    Muse Wonder 1.0

    Воно йде за верхньою групою в ALE v1.1 з часткою заліків 38,5%.

    Джерело ↗

Що помітив Claude

Та сама родина агентів може набрати близько 30% або 42% в AutomationBench залежно від налаштування зусиль, тож налаштування важить не менше, ніж модель.

У першому Agents' Last Exam середня строга частка заліків на найскладнішому рівні становила 2,6%, а більшість моделей, зокрема GPT-5.5 і Fable 5, набрали нуль.

Строгий залік і бальна оцінка показують, наскільки багато приховують часткові бали: Gemini 4 Carbon повністю проходить 45,9% завдань ALE v1.1, але в середньому має 77,4%.

Повідомлене випробування KPMG зі понад 100 агентами в реальному аудиті все ж потребувало виправлення людиною. Це реальний аналог цих бенчмарк-оцінок.

🇨🇳 MiMo10 місць · нотаток: 4

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

  1. 1
    GPT-6.2 Astra (OpenAI, 2026)

    Перша модель, якій коли-небудь присвоїли рівень High за здатність до самовдосконалення, і все ще та, яку люди контролюють останньою.

    Джерело ↗
  2. 2
    Claude Fable 5.2 (Anthropic, 2026)

    Ціновий паритет з Astra приблизно на $8, і гонку бенчмарків тепер вирішують центи, а не розум.

    Джерело ↗
  3. 3
    GPT-6.2 Sol (OpenAI, 2026)

    Майже зрівнюється з флагманом на реальних кодових базах при п'ятій частині вартості — найвигідніша пропозиція запуску за співвідношенням ціни й продуктивності.

    Джерело ↗
  4. 4
    EY multi-agent audit framework (EY Canvas)

    Перемагає найнудніший вид агента: він вбудований у програми, якими аудитори вже користуються.

    Джерело ↗
  5. 5
    KPMG audit agent swarm (Project Exponential)

    Понад 100 агентів на кожному етапі аудиту, і одне виправлення людиною є найціннішим показником у галузі.

    Джерело ↗
  6. 6
    KPMG Clara Intelligence agents (US)

    Керовані агенти з «human-assured» у назві продукту: контроль як маркетинговий аргумент.

    Джерело ↗
  7. 7
    PwC AI Agent Operating System

    Шар оркестрації, а не агент: інфраструктура, до якої інші підключатимуть перевірювані агенти.

    Джерело ↗
  8. 8
    AutomationBench agent harness (Zapier, benchmark)

    47 реальних інструментів і навмисно неоднозначні завдання — найближче до репетиції офісної роботи.

  9. 9
    Agents' Last Exam harness (UC Berkeley RDI)

    Єдиний публічний тест, що оцінює цілі багатоденні професійні роботи з прихованими відповідями, а не окремі питання.

  10. 10
    KPMG Ignite Financial Assistant (Workday/Google Cloud)

    Асистент для закриття місяця: вузький, перевірюваний і ближчий до реальної фінансової роботи, ніж більшість демо.

    Джерело ↗

Що помітив MiMo

Новою гонкою стає вартість готової роботи, а не розумність: Astra коштує менше третини попередника за завдання, а Sol зрівнюється з флагманом на реальних кодових базах за п'яту частину ціни.

Найважливіша для безпеки цифра запуску — не бал, а рейтинг: Astra — перша модель, якій присвоєно рівень High за здатність до самовдосконалення.

Бенчмарки і реальність розходяться не випадково: Agents' Last Exam і AutomationBench оцінюють симульовані завдання, а єдине повне реальне професійне випробування (KPMG) потребувало виправлення людиною.

Незалежний рейтинг (AutomationBench-AA) існує саме тому, що творець бенчмарка сам продає агентів. Це модель управління, яку копіюють інші лабораторії.

🇨🇳 Kimi10 місць · нотаток: 3

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

  1. 1
    Claude Opus 5.5 (Claude Code)

    Лідирує на найсуворішому іспиті з професійної роботи (38,2% заліків, 63,2% бала в Agents' Last Exam) і в GDPval-AA (68,3%), за $1 340 і 183 години обчислень.

    Джерело ↗
  2. 2
    GPT-6 Astra (Codex harness)

    Друге місце в Agents' Last Exam (34,2%) з найкращим результатом у класі для роботи з комп'ютером (72,6% у OSWorld 2.0, ~40 хв на завдання) і вдвічі дешевшим за завдання кодуванням, ніж у Claude, при тому самому індексі.

    Джерело ↗
  3. 3
    Gemini 4 Carbon

    Чемпіон найсуворішого оцінювача процесів: 53,9% в AutomationBench — найвища частка заліків, яку Zapier зафіксувала на 657 реальних бізнес-завданнях.

  4. 4
    Claude Fable 5.2 (with default fallbacks)

    Удвічі перевершила попередника в одному релізі, з 22,4% до 51,4% в AutomationBench. Робить 96,9 викликів інструментів на завдання, при $9,01 за фактичний залік на максимальних зусиллях.

  5. 5
    GPT-6.2 Astra

    Має найвищий самозаявлений показник професійної роботи, 77,6% в ALE v1.1. Але це власний запуск лабораторії за критерієм максимальних зусиль, а не строга частка заліків, за якою оцінюють інших.

    Джерело ↗
  6. 6
    Gemini 4 Hydrogen

    Межа цінності: 51,1% в AutomationBench за $0,82 за завдання, а на низьких зусиллях вона все одно проходить 30,6% за $0,18. Ніщо з тестованого не є одночасно дешевшим і точнішим.

  7. 7
    Claude Sonnet 5.5

    Перевершує свого більшого родича Opus 5.5 в AutomationBench (44,6% проти 40,0%) за частку вартості, — найочевидніший доказ того, що ціна не передбачає результат.

  8. 8
    GPT-6 Sol

    Робоча конячка за цінністю: 32,2% строгих заліків в Agents' Last Exam за $318 разом (проти $1 100 у Astra) і ~80% результату Astra в AutomationBench приблизно за шосту частину вартості.

  9. 9
    MiniMax M3.1 Flash

    Руйнівник цін: 29,6% в Agents' Last Exam за $91,44 разом, близько 7% того, що витратив лідер, і він стрибає до 46,3% на завданнях середнього рівня бенчмарка.

    Джерело ↗
  10. 10
    Kimi K3

    Найкращий пакет агента з відкритими вагами на іспиті з професійної роботи (28,3% строгих заліків у власній обв'язці Kimi Code) і $0,43 за завдання в AutomationBench.

    Джерело ↗

Що помітив Kimi

Найскладніша робота досі не зачеплена: на найскладнішому рівні Agents' Last Exam, де завдання потребують експертам-людям днів або тижнів, кожен протестований передовий агент, зокрема тогочасні найновіші флагмани, набрав 0%. Найвища частка заліків рейтингу, ~38%, стосується повного набору завдань, а не складного краю.

На вершині гроші купують напрочуд мало: вартість запусків ALE відрізняється на порядок (близько $1,33–$15,70 за завершене завдання в червневому прогоні), а MiniMax M3.1 Flash досягає ~77% строгої частки заліків лідера приблизно за 7% його загальних витрат ($91 проти $1 340).

Строгі частки заліків тримають усіх у скромності: найкращий результат на AutomationBench із 657 завданнями — 53,9%, а в симульованому офісі TheAgentCompany найсильніша модель повністю виконує лише близько 30% професійних завдань. «Корисні агенти вже є; агентів, готових до роботи, — ще ні».

🇨🇳 DeepSeek10 місць · нотаток: 3

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

  1. 1
    Gemini 4 Carbon (ALE-Claw)

    Лідирує в ALE з 45,9% строгих заліків і 77,4% бала, але досі провалює найскладніший рівень у 100% випадків.

    Джерело ↗
  2. 2
    Claude Fable 5.2 / 5.1 (Claude Code)

    Виконує 41,25% реальних фріланс-завдань, більш ніж удвічі більше, ніж Opus 5.5, при $15,70+ за завдання ALE.

  3. 3
    GPT-6 Astra (Codex)

    42,6% заліків в ALE за 80 годин і 5,1 млн токенів — лідер ефективності серед агентів топ-трійки ALE.

    Джерело ↗
  4. 4
    Claude Opus 5.5 (Claude Code)

    Найкращий у професійних завданнях DAYJOB на 13–17 годин: 24,7% у сфері охорони здоров'я, але 177 годин в ALE.

    Джерело ↗
  5. 5
    Kimi 3.1 Pro (Kimi Code)

    43,4% заліків в ALE за 61 годину, швидше, ніж Opus 5.5 і Fable 5.2 при схожих результатах.

    Джерело ↗
  6. 6
    Gemini 4 Argon (ALE-Claw)

    51,3% строгих заліків в AutomationBench при $1,70 за завдання — найкращий агент для процесів між застосунками.

    Джерело ↗
  7. 7
    GPT-6 Sol (Codex)

    33,2% заліків в AutomationBench при $0,27 за завдання — найдешевший достовірний агент для процесів.

    Джерело ↗
  8. 8
    Claude Sonnet 5.5

    44,7% строгих заліків в AutomationBench при $1,14 — на 6,6 пункту позаду лідера, але на 33% дешевше.

    Джерело ↗
  9. 9
    Gemini 3.5 Flash

    42,6% в AutomationBench-AA при $0,49 за завдання і 0,46 порушення обмежень на завдання — найдешевший відносно безпечний варіант.

    Джерело ↗
  10. 10
    DeepSeek V4.1 Flash (OpenClaw)

    36,1% заліків в ALE за 76 годин — варіант з відкритими вагами з частковим балом 65,4%.

    Джерело ↗

Що помітив DeepSeek

Найскладніший рівень ALE досі — стіна з 0%: кожен протестований передовий агент, зокрема Fable 5, провалює кожне завдання на найскладнішому рівні. Найкращий загальний агент проходить лише 25,2% початкового ALE, проти 82% у Terminal-Bench. Розрив у професійній роботі значно більший, ніж у програмуванні.

ApprenticeBench дає найчистіше порівняння вартості й контролю: Fable 5.1 перевершує найкращого тестувальника-людину, 72% проти 51%, у реальній роботі з рахунками до оплати. Але коштує це $18,23 за рахунок проти $7,21 у людини. Агент виграє за якістю і програє за економікою одиниці роботи.

Кожна модель порушує бізнес-правила в AutomationBench-AA. Найбезпечніша модель все одно порушує обмеження приблизно раз на 15 виконаних цілей, а найгірша — раз на 0,8 цілі. За нинішньої надійності перевірка людиною не є необов'язковою.

🇨🇳 Qwen10 місць · нотаток: 3

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

  1. 1
    Claude Fable 5.2

    Очолює SWE-bench Verified з 95% і найкращу межу Парето Арени для реальної роботи при $11,32 за завдання.

    Джерело ↗
  2. 2
    GPT-6.2 Astra

    Лідирує в Agents' Last Exam v1.1 з 47,5% строгих заліків і 78,3% бала, використовуючи 2,6 млн вихідних токенів.

    Джерело ↗
  3. 3
    Qwen3.8 Max

    Набирає 86,1% в OSWorld-Verified, перевершуючи базовий рівень людей у відкритих завданнях роботи з комп'ютером.

    Джерело ↗
  4. 4
    Claude Opus 5.5

    Дає 97% в SWE-bench Verified (з Mini-SWE-agent), коштуючи лише $8,06 за завдання в рейтингу роботи Арени.

    Джерело ↗
  5. 5
    Gemini 4 Neon

    Очолює незалежний рейтинг Artificial Analysis AutomationBench-AA з 79,3% на симульованих SaaS-процесах.

    Джерело ↗
  6. 6
    MiniMax M3.1 Flash

    Лідирує в офіційному AutomationBench Zapier з 62,2% виконання багатоетапних завдань бізнес-автоматизації.

    Джерело ↗
  7. 7
    ERNIE 5.5 Flash Preview

    Досягає 61,9% в AutomationBench Zapier, ефективно розбираючись з неоднозначністю між застосунками для CRM і календаря.

    Джерело ↗
  8. 8
    Devin (SWE-1.7 / SWE-2)

    Автономний програміст Когнішн набирає 81,5% в Terminal-Bench 2.1 і 77,8% в SWE-bench Multilingual.

    Джерело ↗
  9. 9
    Lindy.ai

    Конструктор ШІ-співробітників без коду коштує від $29,99 до $199,99 на місяць, але відгуки ділять користувачів: 4,9 зірки на G2 і 1,7 на Трастпайлот.

  10. 10
    Relevance AI

    Зосереджується на «AI Factories», де операційні команди без написання коду створюють самовдосконалювані робочі колективи агентів.

    Джерело ↗

Що помітив Qwen

В Agents' Last Exam основні агенти ШІ спершу проходили лише 2,6% реальних професійних завдань, але найновіший рейтинг v1.1 показує, що GPT-6.2 Astra досягає 47,5% строгої частки заліків.

Рейтинги реальної роботи, як у Арени, показують, що найефективніші агенти (як Claude Fable 5.2 при $11,32 за завдання) насправді дорожчі за завершене завдання, ніж старіші моделі (як Claude Opus 5.5 при $8,06).

AutomationBench Zapier показує широкий розрив між офіційними результатами на хостингу (MiniMax — 62,2%) і незалежними оцінками (Gemini 4 Neon — 79,3% в AA AutomationBench). Це свідчить: те, як запущено бенчмарк, важить не менше, ніж сама модель.

🇨🇳 Qianwen10 місць

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

  1. 1
    ChatGPT Work

    Найвища строга частка заліків в Agents' Last Exam з вбудованим виконанням інструментів.

    Джерело ↗
  2. 2
    Claude Cowork

    Найвища оцінка в довгих документних процесах.

  3. 3
    Microsoft Copilot Studio

    Найкраща корпоративна інтеграція з M365 для перевірених бізнес-завдань.

  4. 4
    Gemini Agent

    Сильні мультимодальні результати в процесах між застосунками.

  5. 5
    Codex

    Провідна генерація коду і налагодження в професійних завданнях розробки.

    Джерело ↗
  6. 6
    Manus

    Висока автономність у дослідницьких завданнях, але потребує перевірки людиною.

  7. 7
    Cursor

    Оптимізований для кодування в IDE з малою затримкою.

  8. 8
    WorkBuddy

    Економічний для рутинної офісної автоматизації з помірною точністю.

  9. 9
    OpenClaw

    Відкрита альтернатива з високою настроюваністю, але нижчою часткою заліків.

    Джерело ↗
  10. 10
    Antigravity

    Спеціалізований на створенні програм, але обмежений у бізнес-процесах.