Benchmark
Standardisert test for å måle og sammenligne ytelsen til AI-modeller på bestemte oppgaver.
Hva det er
En benchmark er en standardisert test som måler en AI-modells ytelse på spesifikke oppgaver. Benchmarks gjør det mulig å sammenligne modeller objektivt — på koding, matematikk, resonnering, vitenskap og andre domener.
Hvordan det fungerer
En benchmark består av et datasett med oppgaver og fasitsvar. Modellen testes på oppgavene, og resultatet rapporteres som en prosentandel riktige svar. Viktige benchmarks i 2026 inkluderer SWE-bench Verified (koding — løs reelle GitHub-issues), GPQA Diamond (forskning på doktorgradsnivå), AIME 2026 (avansert matematikk), ARC-AGI-2 (generell resonnering) og Arena AI (menneskeranking via blind testing).
Hvorfor det er relevant i 2026
Benchmarks driver konkurransen mellom AI-lab-ene. Når DeepSeek V4 scorer 81 prosent på SWE-bench og Claude Opus 4.6 scorer 80,8 prosent, blir det en teknisk kappløp om desimaler. Samtidig vokser kritikken: mange benchmarks er «mettet» (modellene scorer nær 100 prosent) eller gamification-utsatt. Arena AI med blind menneskeranking har blitt den mest troverdige målestokken.