← Fișele benchmarkurilor
Benchmarkuri măsurate
Humanity's Last Exam
Publicat de Scale AI / CAIS. Pagina sursei ↗ · Datele pe care le citim (descărcare fișier) ↗
Scale AI / CAIS; a public set plus a held-out set.
Fapte
| Fapt | Valoare | De unde provine |
|---|---|---|
| Cine rulează evaluarea | o organizație independentă | curatoriat de aiqbench, verificat la 2026-10-09 |
| Expunerea setului de test | parțial public, parțial secret | curatoriat de aiqbench, verificat la 2026-10-09 |
| Licența datelor | CC-BY-4.0 | înregistrarea de atribuire a clasamentului |
| Cel mai nou rezultat publicat | 7 oct. 2026 | rândurile ingerate |
| Ultima preluare de către aiqbench | acum 48 de minute · la fiecare 12 h | jurnalul de sincronizare |
| Modele pe această axă | 56 | rândurile ingerate |
| Rânduri cu interval publicat | fiecare rând | rândurile ingerate |
| Spațiu rămas în vârf | Cel mai bun 54.8%, cu 45.2% sub plafon; primele 10 în interval de 18.6%. | calculat din rândurile ingerate |
| Axe pe care le urmează îndeaproape |
| ρ Spearman pe modelele comune (vezi Grupuri) |
Ultimele salturi ale frontierei
- 13 sept. 2026 · gpt-6-astra · 54.8%
- 13 sept. 2026 · claude-fable-5-1 · 46.5%
- 5 mar. 2026 · gpt-5.4-pro-2026-03-05 · 44.3%
Unde apare
Ponderată în șabloanele predefinite: Toate sursele ×1, Raționament ×1.
Vezi această axă singură în consolă →Atribuire
Source: Epoch AI, 'AI Benchmarking Hub'. Published online at epoch.ai. Retrieved from https://epoch.ai/benchmarks. Licensed under CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). Modified by aiqbench: normalised into aiqbench's common board format; we ingest the 'hle_external.csv' table and rescale its 0-1 scores to percent. Underlying results published by Scale AI / CAIS — https://agi.safe.ai/, transcribed by Epoch AI.