← Benchmark-uri
Fișe de evaluare
Fișele benchmarkurilor
Fiecare axă pe care consola poate clasa, cu faptele din spatele ei: cine o rulează, dacă setul de test e expus, când s-a mișcat ultima dată, câte modele acoperă, dacă publică intervale și ce alte axe dublează. Niciun scor despre benchmark — registrul este verdictul.
General
- General
arena.ai (LMArena)
- Rulat de
- voturi publice
- Set de test
- live / reîmprospătat
- Modele
- 416
- Cel mai nou rezultat
- acum 4 zile
- Intervale
- pe fiecare rând
Abilitate
- Programare
arena.ai (LMArena)
- Rulat de
- voturi publice
- Set de test
- live / reîmprospătat
- Modele
- 411
- Cel mai nou rezultat
- acum 4 zile
- Intervale
- pe fiecare rând
- Urmarea instrucțiunilor
arena.ai (LMArena)
- Rulat de
- voturi publice
- Set de test
- live / reîmprospătat
- Modele
- 416
- Cel mai nou rezultat
- acum 4 zile
- Intervale
- pe fiecare rând
- Scriere creativă
arena.ai (LMArena)
- Rulat de
- voturi publice
- Set de test
- live / reîmprospătat
- Modele
- 414
- Cel mai nou rezultat
- acum 4 zile
- Intervale
- pe fiecare rând
- Prompturi dificile
arena.ai (LMArena)
- Rulat de
- voturi publice
- Set de test
- live / reîmprospătat
- Modele
- 416
- Cel mai nou rezultat
- acum 4 zile
- Intervale
- pe fiecare rând
- Matematică
arena.ai (LMArena)
- Rulat de
- voturi publice
- Set de test
- live / reîmprospătat
- Modele
- 400
- Cel mai nou rezultat
- acum 4 zile
- Intervale
- pe fiecare rând
- Conversații multi-tur
arena.ai (LMArena)
- Rulat de
- voturi publice
- Set de test
- live / reîmprospătat
- Modele
- 414
- Cel mai nou rezultat
- acum 4 zile
- Intervale
- pe fiecare rând
- Expert
arena.ai (LMArena)
- Rulat de
- voturi publice
- Set de test
- live / reîmprospătat
- Modele
- 366
- Cel mai nou rezultat
- acum 4 zile
- Intervale
- pe fiecare rând
Industrie
- Software & IT
arena.ai (LMArena)
- Rulat de
- voturi publice
- Set de test
- live / reîmprospătat
- Modele
- 416
- Cel mai nou rezultat
- acum 4 zile
- Intervale
- pe fiecare rând
- Business & finanțe
arena.ai (LMArena)
- Rulat de
- voturi publice
- Set de test
- live / reîmprospătat
- Modele
- 409
- Cel mai nou rezultat
- acum 4 zile
- Intervale
- pe fiecare rând
- Scriere & limbă
arena.ai (LMArena)
- Rulat de
- voturi publice
- Set de test
- live / reîmprospătat
- Modele
- 415
- Cel mai nou rezultat
- acum 4 zile
- Intervale
- pe fiecare rând
- Divertisment & media
arena.ai (LMArena)
- Rulat de
- voturi publice
- Set de test
- live / reîmprospătat
- Modele
- 414
- Cel mai nou rezultat
- acum 4 zile
- Intervale
- pe fiecare rând
Limbă
- Engleză
arena.ai (LMArena)
- Rulat de
- voturi publice
- Set de test
- live / reîmprospătat
- Modele
- 416
- Cel mai nou rezultat
- acum 4 zile
- Intervale
- pe fiecare rând
- Chineză
arena.ai (LMArena)
- Rulat de
- voturi publice
- Set de test
- live / reîmprospătat
- Modele
- 392
- Cel mai nou rezultat
- acum 4 zile
- Intervale
- pe fiecare rând
- Spaniolă
arena.ai (LMArena)
- Rulat de
- voturi publice
- Set de test
- live / reîmprospătat
- Modele
- 301
- Cel mai nou rezultat
- acum 4 zile
- Intervale
- pe fiecare rând
- Franceză
arena.ai (LMArena)
- Rulat de
- voturi publice
- Set de test
- live / reîmprospătat
- Modele
- 297
- Cel mai nou rezultat
- acum 4 zile
- Intervale
- pe fiecare rând
- Germană
arena.ai (LMArena)
- Rulat de
- voturi publice
- Set de test
- live / reîmprospătat
- Modele
- 314
- Cel mai nou rezultat
- acum 4 zile
- Intervale
- pe fiecare rând
- Japoneză
arena.ai (LMArena)
- Rulat de
- voturi publice
- Set de test
- live / reîmprospătat
- Modele
- 280
- Cel mai nou rezultat
- acum 4 zile
- Intervale
- pe fiecare rând
- Coreeană
arena.ai (LMArena)
- Rulat de
- voturi publice
- Set de test
- live / reîmprospătat
- Modele
- 284
- Cel mai nou rezultat
- acum 4 zile
- Intervale
- pe fiecare rând
- Rusă
arena.ai (LMArena)
- Rulat de
- voturi publice
- Set de test
- live / reîmprospătat
- Modele
- 380
- Cel mai nou rezultat
- acum 4 zile
- Intervale
- pe fiecare rând
Clasamente arenă
- WebDev Arena
arena.ai (LMArena)
- Rulat de
- voturi publice
- Set de test
- live / reîmprospătat
- Modele
- 284
- Cel mai nou rezultat
- acum 3 zile
- Intervale
- pe fiecare rând
- Vision Arena
arena.ai (LMArena)
- Rulat de
- voturi publice
- Set de test
- live / reîmprospătat
- Modele
- 165
- Cel mai nou rezultat
- 9 oct. 2026
- Intervale
- pe fiecare rând
- Factuality Arena
arena.ai (LMArena)
- Rulat de
- voturi publice
- Set de test
- live / reîmprospătat
- Modele
- 185
- Cel mai nou rezultat
- acum 4 zile
- Intervale
- pe fiecare rând
- Search Arena
arena.ai (LMArena)
- Rulat de
- voturi publice
- Set de test
- live / reîmprospătat
- Modele
- 42
- Cel mai nou rezultat
- acum 6 zile
- Intervale
- pe fiecare rând
- Document Arena
arena.ai (LMArena)
- Rulat de
- voturi publice
- Set de test
- live / reîmprospătat
- Modele
- 44
- Cel mai nou rezultat
- 13 sept. 2026
- Intervale
- pe fiecare rând
- Text-to-Image Arena
arena.ai (LMArena)
- Rulat de
- voturi publice
- Set de test
- live / reîmprospătat
- Modele
- 82
- Cel mai nou rezultat
- 7 oct. 2026
- Intervale
- pe fiecare rând
- Image Edit Arena
arena.ai (LMArena)
- Rulat de
- voturi publice
- Set de test
- live / reîmprospătat
- Modele
- 59
- Cel mai nou rezultat
- 6 oct. 2026
- Intervale
- pe fiecare rând
- Text-to-Video Arena
arena.ai (LMArena)
- Rulat de
- voturi publice
- Set de test
- live / reîmprospătat
- Modele
- 48
- Cel mai nou rezultat
- 22 sept. 2026
- Intervale
- pe fiecare rând
Benchmarkuri măsurate
- GPQA Diamond
Epoch AI
- Rulat de
- o organizație independentă
- Set de test
- public
- Modele
- 324
- Cel mai nou rezultat
- acum 3 zile
- Intervale
- pe fiecare rând
- AIME (matematică)
Epoch AI
- Rulat de
- o organizație independentă
- Set de test
- public
- Modele
- 304
- Cel mai nou rezultat
- acum 3 zile
- Intervale
- 95,7% din rânduri
- FrontierMath
Epoch AI
- Rulat de
- o organizație independentă
- Set de test
- ținut secret
- Modele
- 101
- Cel mai nou rezultat
- 8 iun. 2026
- Intervale
- 98% din rânduri
- ARC-AGI-2
ARC Prize
- Rulat de
- o organizație independentă
- Set de test
- parțial public, parțial secret
- Modele
- 267
- Cel mai nou rezultat
- 29 sept. 2026
- Intervale
- niciunul publicat
- Humanity's Last Exam
Scale AI / CAIS
- Rulat de
- o organizație independentă
- Set de test
- parțial public, parțial secret
- Modele
- 56
- Cel mai nou rezultat
- 7 oct. 2026
- Intervale
- pe fiecare rând
- SimpleBench
SimpleBench
- Rulat de
- o organizație independentă
- Set de test
- ținut secret
- Modele
- 102
- Cel mai nou rezultat
- 12 aug. 2026
- Intervale
- niciunul publicat
- SimpleQA Verified
Epoch AI
- Rulat de
- o organizație independentă
- Set de test
- public
- Modele
- 91
- Cel mai nou rezultat
- acum 3 zile
- Intervale
- pe fiecare rând
- MMLU-Pro (TIGER-Lab)
TIGER-Lab (University of Waterloo)
- Rulat de
- un grup universitar
- Set de test
- public
- Modele
- 260
- Cel mai nou rezultat
- nepublicat
- Intervale
- niciunul publicat
- LiveBench
LiveBench
- Rulat de
- un grup universitar
- Set de test
- live / reîmprospătat
- Modele
- 339
- Cel mai nou rezultat
- 27 sept. 2026
- Intervale
- niciunul publicat
- MMLU-Pro (Artificial Analysis)
Artificial Analysis
- Rulat de
- o organizație independentă
- Set de test
- public
- Modele
- 352
- Cel mai nou rezultat
- alaltăieri
- Intervale
- niciunul publicat
- LiveCodeBench (Artificial Analysis)
Artificial Analysis
- Rulat de
- o organizație independentă
- Set de test
- live / reîmprospătat
- Modele
- 346
- Cel mai nou rezultat
- alaltăieri
- Intervale
- niciunul publicat
- IFBench (Artificial Analysis)
Artificial Analysis
- Rulat de
- o organizație independentă
- Set de test
- public
- Modele
- 455
- Cel mai nou rezultat
- alaltăieri
- Intervale
- niciunul publicat
- USACO (HAL)
Holistic Agent Leaderboard (Princeton)
- Rulat de
- un grup universitar
- Set de test
- public
- Modele
- 9
- Cel mai nou rezultat
- 27 sept. 2026
- Intervale
- niciunul publicat
- Viteză de generare, tokeni/s (Artificial Analysis)
Artificial Analysis
- Rulat de
- o organizație independentă
- Set de test
- live / reîmprospătat
- Modele
- 467
- Cel mai nou rezultat
- alaltăieri
- Intervale
- niciunul publicat
Agentic
- Agent Arena
arena.ai (LMArena)
- Rulat de
- voturi publice
- Set de test
- live / reîmprospătat
- Modele
- 80
- Cel mai nou rezultat
- acum 3 zile
- Intervale
- pe fiecare rând
- SWE-bench Verified
Epoch AI
- Rulat de
- o organizație independentă
- Set de test
- public
- Modele
- 35
- Cel mai nou rezultat
- 25 iun. 2026
- Intervale
- pe fiecare rând
- Terminal-Bench
Terminal-Bench (Laude Institute)
- Rulat de
- o organizație independentă
- Set de test
- public
- Modele
- 202
- Cel mai nou rezultat
- 14 mai 2026
- Intervale
- 95,5% din rânduri
- SWE-bench Verified (clasament live)
SWE-bench Verified leaderboard
- Rulat de
- un grup universitar
- Set de test
- public
- Modele
- 85
- Cel mai nou rezultat
- 1 sept. 2026
- Intervale
- niciunul publicat
- Terminal-Bench 4.0
Terminal-Bench 4.0 (Harbor / Laude Institute)
- Rulat de
- o organizație independentă
- Set de test
- public
- Modele
- 23
- Cel mai nou rezultat
- 29 sept. 2026
- Intervale
- pe fiecare rând
- BFCL v4 (apelare de funcții)
Berkeley Function Calling Leaderboard (Gorilla, UC Berkeley)
- Rulat de
- un grup universitar
- Set de test
- parțial public, parțial secret
- Modele
- 109
- Cel mai nou rezultat
- 3 apr. 2026inactiv
- Intervale
- niciunul publicat
- τ²-bench Retail
τ²-bench via the Exgentic Open Agent Leaderboard
- Rulat de
- un furnizor de modele
- Set de test
- public
- Modele
- 3
- Cel mai nou rezultat
- 23 mar. 2026inactiv
- Intervale
- niciunul publicat
- τ²-bench Airline
τ²-bench via the Exgentic Open Agent Leaderboard
- Rulat de
- un furnizor de modele
- Set de test
- public
- Modele
- 3
- Cel mai nou rezultat
- 23 mar. 2026inactiv
- Intervale
- niciunul publicat
- τ²-bench Telecom
τ²-bench via the Exgentic Open Agent Leaderboard
- Rulat de
- un furnizor de modele
- Set de test
- public
- Modele
- 3
- Cel mai nou rezultat
- 23 mar. 2026inactiv
- Intervale
- niciunul publicat
- GAIA (HAL)
Holistic Agent Leaderboard (Princeton)
- Rulat de
- un grup universitar
- Set de test
- parțial public, parțial secret
- Modele
- 12
- Cel mai nou rezultat
- 27 sept. 2026
- Intervale
- niciunul publicat
Siguranță și factualitate
- Halucinații HHEM (Vectara)
Vectara
- Rulat de
- un furnizor de modele
- Set de test
- public
- Modele
- 109
- Cel mai nou rezultat
- acum 3 zile
- Intervale
- niciunul publicat