Benchmark ကုမ္ပဏီသည် Artificial Analysis သည် ၎င်း၏ Intelligence Index ၏ ဗားရှင်း 5 ကို စတင်လိုက်ပြီဖြစ်ပြီး ၎င်းသည် ဇန်နဝါရီတွင် v4 တွင် ပွဲဦးထွက်ကတည်းက ၎င်း၏ပေါင်းစပ်မော်ဒယ်အဆင့်သို့ အကြီးမားဆုံး အဆင့်မြှင့်တင်မှုဟုခေါ်ဆိုခဲ့သည်။ ခေါင်းစဉ်ပြောင်းလဲမှု- ပထမအကြိမ်တွင်၊ အညွှန်းကိန်း၏ 60 ရာခိုင်နှုန်းကို သီးသန့်စမ်းသပ်မှုအစုံများ သို့မဟုတ် သီးသန့်အဖြေများဖြင့် အကဲဖြတ်ခြင်း—လူထုခေါင်းဆောင်ဘုတ်အဖွဲ့အပေါ် ယုံကြည်မှုပျက်ပြားစေသည့် စံနှုန်းညစ်ညမ်းမှုပြဿနာများကို တိုက်ရိုက်တုံ့ပြန်မှုဖြစ်သည်။

အပြောင်းအလဲသည် ထိပ်တန်းတွင် ပြတ်သားသော စီရင်ချက်ဖြင့် ရောက်လာသည်။ Claude Opus 5.5 (max) သည် v5 အညွှန်းကိန်း 58 တွင် ဦးဆောင်နေပြီး GPT-6 Astra (max) တွင် 57 နှင့် GPT-6.1 Sol (max) တွင် 55 တွင် ရပ်တည်နေသည်။ Anthropic နှင့် OpenAI တို့သည် ထိပ်တန်းငါးခုတွင် ရပ်တည်နေပြီး Google ၏ Gemini 4 Argon (high) နောက် 50 တွင်ရှိသည်။ For more context on this story, see our ongoing AI trends.

v5 မှာ ဘာတွေပြောင်းလဲသွားလဲ။

v5 အညွှန်းကို အညီအမျှ လေးလံသည့် အမျိုးအစား လေးမျိုး ခွဲခြားထားသည် — Knowledge Work, Coding, Science and General — တစ်ခုစီသည် 25 ရာခိုင်နှုန်း တန်ဖိုးရှိသည်။ စံနှုန်းနှစ်ခုသည် လုံးဝအသစ်ဖြစ်ပြီး အကြီးစား အဆင့်မြှင့်တင်မှု သုံးခုကို ရရှိခဲ့သည်-

  • FrontierCode 2.0 (အသစ်)။ Open-source repositories တွင် တကယ့်ကမ္ဘာ့ကုဒ်လုပ်ခြင်းလုပ်ငန်း 132 ခု၏ Cognition ၏ သီးသန့်စံအမှတ်အသားဖြစ်သော repository ထိန်းသိမ်းသူသည် အေးဂျင့်၏ပြောင်းလဲမှုကို အမှန်တကယ်ပေါင်းစည်းမည်ဆိုသည်ကို အဆင့်သတ်မှတ်ထားသည်။ ညစ်ညမ်းမှုကို ရှောင်ရှားရန် Tasks များသည် သီးသန့်တည်ရှိပြီး အလုပ်တိုင်းကို Artificial Analysis က ၎င်း၏ Stirrup အေးဂျင့်ကြိုးဖြင့် သုံးကြိမ်လုပ်ဆောင်သည်။
  • Terminal-Bench-Science (အသစ်)။ terminal ပတ်၀န်းကျင်တွင် လုပ်ဆောင်ခဲ့သော သိပ္ပံဆိုင်ရာ သုတေသနလုပ်ငန်း ခုနစ်ဆယ်၊ အလုပ်တစ်ခုသည် ၎င်း၏စမ်းသပ်မှုတိုင်း အောင်မြင်မှသာ အောင်မြင်သည်။
  • HLE-Diamond (အဆင့်မြှင့်ထားသည်။) AI Safety and Scale AI စင်တာမှ လူသားမျိုးနွယ်၏ နောက်ဆုံးစာမေးပွဲဗားရှင်း 1,000-မေးခွန်းဗားရှင်းကို ကျိုးကြောင်းဆင်ခြင်ခြင်းနှင့် အသိပညာမေးခွန်းများကြား အညီအမျှခွဲ၍ မူလ HLE ကို အစားထိုးပါ။
  • AA-Omniscience v1.1 (အဆင့်မြှင့်ထားသည်။ ပြည့်နှက်နေပြီး အများသူငှာမေးခွန်းများပါသော သန့်စင်ထားသော အသိပညာနှင့် အမြင်မှားစရာဒေတာအတွဲတစ်ခု။
  • CritPt v2 hard subset (အဆင့်မြှင့်ထားသည်။ သုတေသနအဆင့် ရူပဗေဒစံနှုန်း၏ သီးသန့်မေးခွန်း 40 ခု၊ ၎င်း၏စာရေးဆရာများက ပြန်လည်ပြင်ဆင်ပြီး code execution ဖြင့် လုပ်ဆောင်သည်။

အညွှန်း- GDPval-AA v2.1၊ SciCode နှင့် AA-LCR v1.1. Artificial Analysis သည် တစ်ခုတည်းသော စဉ်ဆက်မပြတ်စကေးပေါ်တွင် အချိန်ကြာလာသည်နှင့်အမျှ မော်ဒယ်စွမ်းရည်ကို ခြေရာခံသည့် အဖော် Progress Index v1 ကိုလည်း ထုတ်ပြန်ခဲ့သည်။

Claude Opus 5.5 သည် အလုံးစုံ ဦးဆောင်နေသည်။

Claude Opus 5.5 (max) သည် တစ်ဦးချင်းအကဲဖြတ်မှု ကိုးခုအနက် သုံးခုကို ဦးဆောင်သည်- FrontierCode 2.0 တွင် 46 ရာခိုင်နှုန်း၊ HLE-Diamond တွင် 68 ရာခိုင်နှုန်းနှင့် AA-Omniscience v1.1 တွင် 48 တွင် စံပြတစ်ခုတည်းက အရာအားလုံးကို ဦးဆောင်နိုင်သည် — အခြားမော်ဒယ်ငါးခုသည် ကျန်သောစံညွှန်းခြောက်ခုတွင် ထိပ်ဆုံးမှ ဦးဆောင်နေသည်။

GPT-6 Astra (max) သည် Terminal-Bench-Science တွင် 63 ရာခိုင်နှုန်းနှင့် CritPt v2 hard subset တွင် 72 ရာခိုင်နှုန်းဖြင့် ဦးဆောင်နေပြီး ရှည်လျားသောမိုးကုပ်စက်ဝိုင်း သိပ္ပံအလုပ်တွင် OpenAI ၏ အင်အားကို အတည်ပြုသည်။ Claude Sonnet 5.5 သည် 1812 Elo တွင် AA-Briefcase က ထိပ်ဆုံး၊ Kimi ၏ K3.1 Pro သည် Terminal-Bench 4.0 တွင် 67 ရာခိုင်နှုန်း၊ Gemini 4 Argon က AutomationBench-AA က 78 ရာခိုင်နှုန်းဖြင့် ဦးဆောင်နေပြီး Muse Wonder Full က GDP.pdf တွင် 33 ရာခိုင်နှုန်းကျော်ဖြင့် ဦးဆောင်နေသည်။

HLE-Diamond ရလဒ်များတွင် ပြောပြသည့်အသေးစိတ်အချက်များ ပါဝင်သည်- ဦးဆောင်မော်ဒယ်များသည် အသိပညာထက် ကျိုးကြောင်းဆင်ခြင်ခြင်းထက် များစွာသာလွန်ကောင်းမွန်ပါသည်။ Claude Opus 5.5 နှင့် GPT-6 Astra နှစ်ခုစလုံးသည် ကျိုးကြောင်းဆင်ခြင်ခြင်းဆိုင်ရာမေးခွန်းများအတွက် 78 ရာခိုင်နှုန်းအထိရရှိခဲ့သော်လည်း အသိပညာအရ 58 နှင့် 50 ရာခိုင်နှုန်းအထိ ကျဆင်းသွားသည် — နယ်ခြားစနစ်များပင်လျှင် ၎င်းတို့၏ဆင်ခြင်တုံတရားရမှတ်များထက် မကြာခဏဆိုသလို ယောင်ယောင် သို့မဟုတ် ချို့တဲ့နေသေးကြောင်း အထောက်အထားများရှိသည်။

Open-Weights Gap Triples

အဖွင့်အလေးများ ဂေဟစနစ်အတွက် အမြော်အမြင်အရှိဆုံး ရှာဖွေမှု- အကောင်းဆုံး အဖွင့်မော်ဒယ်နှင့် အလုံးစုံခေါင်းဆောင်ကြား ကွာဟချက်သည် v4.3 တွင် 3 မှတ်မှ v5 တွင် 12 မှတ်အထိ ကျယ်လာသည်။

Kimi ၏ K3.1 Pro သည် 46 တွင် ထိပ်တန်း အလေးချိန် မော်ဒယ်ဖြစ်သည် — သို့သော် ၎င်း၏ အလေးချိန်များကို မထုတ်ပြန်သေးပါ။ ထုတ်လွှတ်ထားသော အလေးများရှိသည့် မော်ဒယ်များထဲတွင် DeepSeek ၏ V4.1 Flash 1017 (max) နှင့် Z.ai ၏ GLM-5.3 (max) သည် 32 တွင် ဦးဆောင်နေပြီး Claude Opus 5.5 ၏နောက်တွင် 26 မှတ်အပြည့်နှင့် Claude Haiku 5.5 (max) အောက် 36 မှတ်တွင်ရှိသည်။

အခက်ခဲဆုံး အေးဂျင့်စံညွှန်းများတွင် ကွာဟချက်သည် အကျယ်ပြန့်ဆုံးဖြစ်သည်။ HLE-Diamond တွင် Kimi K3.1 Pro သည် Opus 5.5 ၏ 68 ရာခိုင်နှုန်းနှင့် 37 ရာခိုင်နှုန်း၊ Terminal-Bench-Science တွင် GPT-6 Astra ၏ 63 ရာခိုင်နှုန်းနှင့် 34 ရာခိုင်နှုန်း။ အဖွင့်အလေးများသော မော်ဒယ်အများစုသည် သိပ္ပံစံနှုန်းတွင် 10 ရာခိုင်နှုန်းအောက် ရမှတ်များရှိသည်။

လုပ်ငန်းတစ်ခုလျှင် စျေးနှုန်းသည် ဆယ့်သုံးဆ ကွဲပြားသည်။

ကုန်ကျစရိတ်သည် အဆုံးအဖြတ်ပေးသည့် ပြောင်းလဲမှုတစ်ခုအဖြစ် ရှိနေသေးသည်။ အမှတ်အများဆုံး မော်ဒယ်ဆယ်ခုအနက်၊ GPT-6.1 Terra (max) သည် Intelligence Index လုပ်ငန်းတစ်ခုလျှင် $0.96 ဖြင့် အသက်သာဆုံးဖြစ်ပြီး Claude Fable 5.1 (max) သည် 13.04 ဒေါ်လာဖြင့် ဈေးအကြီးဆုံးဖြစ်သည် — 13-ဆ ပျံ့နှံ့မှုထက် စျေးအကြီးဆုံးဖြစ်သည်။

ထိရောက်မှုဇာတ်လမ်းသည် v5 ၏လက်တွေ့အရှိဆုံးယူဆောင်သွားခြင်းဖြစ်သည်- GPT-6.1 Sol (max) ရမှတ်သည် Claude Opus 5.5 ၏ 4 မှတ်အတွင်း အလုပ်တစ်ခုလျှင် $1.27 နှင့် Opus ၏ $10.04 ဖြင့် ကုန်ကျစရိတ်ရှိသည်။ GPT-6 Astra (အမြင့်ဆုံး) သည် ၎င်းတို့ကြားတွင် $6.24 ရှိသည်။

ဘာကြောင့် Private Benchmarks အရေးကြီးတာလဲ။

ပုဂ္ဂလိက အကဲဖြတ်မှု အစုများဆီသို့ ကူးပြောင်းမှုသည် စက်မှုလုပ်ငန်းကြီးတစ်ခုလုံး၏ ပြဿနာတစ်ရပ်ကို ထင်ဟပ်စေသည်- အများသူငှာ စံနှုန်းများသည် လေ့ကျင့်ရေးဒေတာသို့ ပေါက်ကြားလာပြီး ခေါင်းဆောင်စာရင်းဇယားများကို ယုံကြည်ရန်မဖြစ်နိုင်ပေ။ FrontierCode 2.0 ဖြင့်၊ ပြုပြင်ထိန်းသိမ်းသူသည် အပြောင်းအလဲကို ပေါင်းစည်းမည်၊ သို့မဟုတ် မည်သည့်ပိတ်ဆို့ခြင်းမှ ပျက်ကွက်မှုအမှတ် သုည—နှင့် လုပ်ဆောင်စရာစာရင်းကို သီးသန့်အဖြစ် ဆက်လက်ထားရှိခြင်းရှိမရှိအပေါ် လုပ်ဆောင်စရာများကို အဆင့်သတ်မှတ်ထားသည်။

၎င်းသည် v5 ကိုဂိမ်းအတွက်ပိုမိုခက်ခဲသောစံနှုန်းများထဲမှတစ်ခုဖြစ်စေပြီး၎င်း၏စီရင်ချက်သည်အလေးချိန်ကိုသယ်ဆောင်သည်- နယ်နိမိတ်ကို Anthropic နှင့် OpenAI မှဦးဆောင်သည်၊ ကြိုးစားအားထုတ်မှုဆက်တင်များသည်ယခင်ကထက်ပိုမိုအရေးကြီးသည်၊ နှင့် open-weights မော်ဒယ်များသည် real-world AI အလုပ်များကိုပိုမိုသတ်မှတ်ပေးသည့်အေးဂျင့်လုပ်ဆောင်သောအလုပ်များကိုပြန်လည်ရယူရန်အလေးအနက်အခြေခံရှိသည်။

---

Stay Ahead of AI

Get the latest AI news, analysis, and breakthroughs — all in one place.

Read more AI news →