Benchmark for AI's faktuelle nøjagtighed: 94 modeller rangeret efter målte resultater

1. Nr. 1Claude Fable 5.2AnthropicListepris 8,00 US$ / 40,00 US$3,20 US$ / 16,00 US$med AIGROW API-kreditKør Claude Fable 5.2 op til 60% under listeprisCertificeret ægte af AIGROW den 11. november 2026
2. Nr. 3Gemini 4 ArgonGoogleListepris 2,00 US$ / 10,00 US$1,00 US$ / 5,00 US$med AIGROW API-kreditKør Gemini 4 Argon op til 50% under listeprisCertificeret ægte af AIGROW den 11. november 2026
3. Nr. 4GPT-6 AstraOpenAIListepris 10,00 US$ / 50,00 US$2,50 US$ / 12,50 US$med AIGROW API-kreditKør GPT-6 Astra op til 75% under listeprisCertificeret ægte af AIGROW den 11. november 2026

Amerikanske dollar pr. million input- / outputtokens. Certificeret ægte af AIGROW betyder, at modellen bestod AIGROWs egen kontrol mod den samme model hos dens udvikler den 11. november 2026. Ingen modeludvikler har gennemgået eller godkendt den.

Hvad den måler

SimpleQA Verified: 1.000 korte spørgsmål om politik, videnskab, kunst, sport, steder, musik og meget mere, hver med ét rigtigt svar. Scoren er andelen af korrekte svar. Epoch AI kører den.

Hvad den udelader

Den tester, om korte fakta huskes, ikke lange svar eller kilder, og modellerne får besked på at gætte frem for at sige, at de ikke ved det.

Sådan læser du marginen

Hvert resultat har et 95 %-interval, 1,96 standardfejl til hver side, som Epoch AI offentliggør dem; et gennemsnit kombinerer fejlene fra sine tests. Hvor to intervaller overlapper, kan testene ikke afgøre, hvilken model der er bedst. Rækkerne er stadig nummereret efter score, og en række angiver, hvor mange modeller over den der overlapper.

Indstillinger

Under hvert resultat står den ræsonnementsindstilling, som modellen blev kørt med hos Epoch AI, med den betegnelse de bruger, samt datoen for kørslen. Hvor en model er kørt med flere indstillinger, tæller det bedste resultat.

Den anden kolonne

Faktualitetstavlen hos LMArena blander blinde stemmer med kontrol af fakta i hvert svar: påstande udtrækkes af svarene og kontrolleres af søgeagenter, og som standard vejer kontrollerne 25 % af scoren. Den vises ved siden af testen og bruges ikke til rangering.

Ikke opdateret i over 120 dage

Et resultat, der er kørt mere end 120 dage før de nyeste data på disse sider, får dette mærke, så et ældre resultat kan vægtes som et.

Priser

Listeprisen pr. million tokens fra udviklerens egen prisside, aflæst 12. november 2026. Det er en pris pr. token, ikke pr. svar: en højere indstilling for ræsonnement bruger flere tokens på det samme spørgsmål. Hvor AIGROW API-kredit sælger en model, er listeprisen streget over, og prisen via kreditten står under den.

Kilde: Epoch AI, SimpleQA Verified (data fra 12. november 2026), licenseret under CC BY 4.0; LMArena, datasæt til ranglisten (version 4217986c, offentliggjort 9. november 2026), udgivet under licensen CC BY 4.0. Vi ændrer ingen score: vi tilføjer priserne og links til vores modelsider.