ผลการจัดอันดับความสามารถ AI ล่าสุด Claude นำ ChatGPT–Gemini

Artificial Analysis เผยแพร่ผลจัดอันดับความสามารถ AI  Intelligence Index เวอร์ชัน 5 เมื่อวันที่ 27 ตุลาคม 2569 พบว่า Claude Opus 5.5 ของ Anthropic ได้คะแนนรวมสูงสุดที่ 58 คะแนน ตามด้วย GPT-6 Astra ของ OpenAI ที่ 57 คะแนน และ GPT-6.1 Sol ที่ 55 คะแนน ส่วน Gemini 4 Argon ของ Google ได้ 50 คะแนน

วัดทั้งตอบคำถามและลงมือทำงาน

ดัชนีนี้นำผลจาก 9 แบบทดสอบมาคำนวณรวม โดยให้น้ำหนักความสามารถ 4 ด้านเท่ากัน ด้านละ 25% ได้แก่ งานความรู้และงานสำนักงาน การเขียนโปรแกรม วิทยาศาสตร์ และความสามารถทั่วไป

โจทย์ที่ใช้ประเมินมีตั้งแต่การอ่านเอกสาร วิเคราะห์ข้อมูล และจัดทำชิ้นงาน ไปจนถึงการแก้ไขโค้ด ใช้เครื่องมือคอมพิวเตอร์ และแก้ปัญหาวิทยาศาสตร์ คะแนนจึงสะท้อนทั้งความรู้ การใช้เหตุผล และความสามารถในการทำงานให้สำเร็จ

ในส่วนงานสำนักงาน ผู้ประเมินพิจารณาทั้งความสำเร็จตามเงื่อนไข คุณภาพการวิเคราะห์ และการนำเสนอ ส่วนการทดสอบความรู้ให้ความสำคัญกับความถูกต้อง รวมถึงการหลีกเลี่ยงการเดาหรือสร้างข้อมูลผิดขึ้นมา

Claude นำภาพรวม แต่ไม่ได้ชนะทุกงาน

เมื่อแยกผลรายแบบทดสอบ Claude Opus 5.5 นำใน FrontierCode 2.0 ซึ่งให้ AI แก้ไขโค้ดในโครงการซอฟต์แวร์จริง โดยได้คะแนน 46% ขณะที่ GPT-6 Astra นำใน Terminal-Bench-Science ซึ่งทดสอบการดำเนินงานวิจัยวิทยาศาสตร์ผ่านเครื่องมือคอมพิวเตอร์ ด้วยคะแนน 63%

ด้าน Gemini 4 Argon แม้คะแนนรวมตามหลัง แต่เป็นผู้นำใน AutomationBench-AA ซึ่งวัดการทำงานอัตโนมัติผ่านระบบและเครื่องมือ ได้คะแนน 78%

อย่างไรก็ตาม เปอร์เซ็นต์ของแต่ละแบบทดสอบนำมาเปรียบเทียบข้ามกันโดยตรงไม่ได้ เพราะเป็นโจทย์คนละประเภทและมีความยากต่างกัน ผลรายด้านจึงใช้ดูว่าโมเดลใดเด่นในงานประเภทใด ส่วนการเปรียบเทียบภาพรวมต้องพิจารณาคะแนนดัชนีรวม

ปรับเกณฑ์ให้ใกล้การใช้งานจริง

การประเมินเวอร์ชันใหม่เพิ่มโจทย์ที่ต้องให้ AI ลงมือทำงานหลายขั้นตอน โดย FrontierCode 2.0 ตรวจว่าการแก้ไขซอฟต์แวร์มีคุณภาพเพียงพอให้ผู้ดูแลโครงการรับเข้าใช้งานหรือไม่ ขณะที่ Terminal-Bench-Science ให้ AI ดำเนินขั้นตอนงานวิจัยผ่านสภาพแวดล้อมคอมพิวเตอร์

นอกจากนี้ ยังปรับปรุงชุดทดสอบความรู้และโจทย์วิทยาศาสตร์ พร้อมนำการประเมินบางรายการออกจากการคำนวณ การเทียบกับผลครั้งก่อนจึงต้องตรวจสอบเวอร์ชันของดัชนีด้วย เพราะคะแนนที่เปลี่ยนไปอาจเกี่ยวข้องกับข้อสอบและน้ำหนักการประเมินที่เปลี่ยนแปลง

โมเดลเปิดน้ำหนักยังตามหลัง

รายงานยังระบุว่า Kimi K3.1 Pro ได้คะแนนรวม 46 คะแนน แต่ ณ วันเผยแพร่ผลยังไม่เปิดให้ดาวน์โหลดน้ำหนักโมเดล ส่วนกลุ่มที่เผยแพร่น้ำหนักแล้ว DeepSeek V4.1 Flash 1017 และ GLM-5.3 ทำคะแนนสูงสุดที่ 32 คะแนน ห่างจากผู้นำ 26 จุด

โมเดลเปิดน้ำหนักเป็นทางเลือกสำหรับผู้ที่ต้องการนำ AI ไปติดตั้งหรือพัฒนาต่อตามเงื่อนไขใบอนุญาต การตัดสินใจใช้งานจึงมีทั้งเรื่องความสามารถ ความพร้อมของระบบ และค่าใช้จ่ายในการดูแลเข้ามาเกี่ยวข้อง

เลือกใช้งานต้องดูต้นทุนควบคู่คะแนน

สำหรับภาคธุรกิจ ประเด็นสำคัญอีกด้านคือต้นทุน รายงานพบว่าโมเดลสิบอันดับแรกที่นำมาเปรียบเทียบมีต้นทุนต่อภารกิจแตกต่างกันมากกว่า 13 เท่า อีกทั้งการปรับระดับการใช้เหตุผลยังส่งผลต่อทั้งคะแนนและค่าใช้จ่าย

ผลจัดอันดับจึงใช้เป็นข้อมูลเบื้องต้นในการเลือกโมเดลมาทดลองได้ ก่อนวัดผลกับงานจริงขององค์กร ทั้งความถูกต้อง ความสำเร็จของงาน เวลา และต้นทุนต่อชิ้นงาน

ทั้งนี้ Intelligence Index เน้นการประเมินข้อความภาษาอังกฤษ ส่วนความสามารถด้านภาพ เสียง และหลายภาษาแยกทดสอบต่างหาก 

ที่มา Artificial Analysis