Sari la conținut
aiqbench

Română · beta. Traducerea a fost făcută automat și este încă în curs de revizuire. Citește pagina în engleză

Frontiera capabilităților în timp

Fiecare benchmark Epoch, reprezentat la data de lansare a fiecărui model evaluat pe el. Pe măsură ce apar modele noi, plafonul a ceea ce s-a realizat continuă să urce — o tendință reală, distinctă de (și adesea confundată cu) îmbunătățirea în timp a modelelor individuale.

BenchmarkGPQA DiamondOTIS Mock AIMEFrontierMathSimpleQA VerifiedSWE-bench VerifiedARC-AGI-2Terminal-BenchHumanity's Last ExamSimpleBench

ARC-AGI-2 — modelele la apariție

Un punct per model, la data lui de lansare. Linia urmărește cel mai bun scor cunoscut în fiecare moment.

0%25%50%75%100%2024202520262027Data de lansare a modeluluiScor (%)gpt-4o-2024-11-20 Lansat: mai 2024 Scor: 0.0% Sursa datei: curatedgpt-4o-mini-2024-07-18 Lansat: iul. 2024 Scor: 0.0% Sursa datei: curatedo1-mini-2024-09-12 Lansat: sept. 2024 Scor: 0.8% Sursa datei: curatedgemini-1.5-pro-002 Lansat: sept. 2024 Scor: 0.8% Sursa datei: curatedDeepSeek-R1 Lansat: ian. 2025 Scor: 1.3% Sursa datei: curatedo3-mini-2025-01-31 Lansat: ian. 2025 Scor: 3.0% Sursa datei: curatedgemini-2.0-flash-001 Lansat: feb. 2025 Scor: 1.3% Sursa datei: curatedgrok-3-mini Lansat: feb. 2025 Scor: 0.4% Sursa datei: curatedclaude-3-7-sonnet-20250219 Lansat: feb. 2025 Scor: 0.9% Sursa datei: curatedgpt-4.5-preview-2025-02-27 Lansat: feb. 2025 Scor: 0.8% Sursa datei: curatedLlama-4-Maverick-17B-128E-Instruct Lansat: apr. 2025 Scor: 0.0% Sursa datei: curatedLlama-4-Scout-17B-16E-Instruct Lansat: apr. 2025 Scor: 0.0% Sursa datei: curatedgpt-4.1-2025-04-14 Lansat: apr. 2025 Scor: 0.4% Sursa datei: curatedgpt-4.1-mini-2025-04-14 Lansat: apr. 2025 Scor: 0.0% Sursa datei: curatedgpt-4.1-nano-2025-04-14 Lansat: apr. 2025 Scor: 0.0% Sursa datei: curatedo4-mini-2025-04-16 Lansat: apr. 2025 Scor: 6.1% Sursa datei: curatedo3-2025-04-16 Lansat: apr. 2025 Scor: 6.5% Sursa datei: curatedclaude-opus-4-20250514 Lansat: mai 2025 Scor: 8.6% Sursa datei: curatedclaude-sonnet-4-20250514 Lansat: mai 2025 Scor: 5.9% Sursa datei: curatedDeepSeek-R1-0528 Lansat: mai 2025 Scor: 1.1% Sursa datei: curatedmagistral-medium-2506 Lansat: iun. 2025 Scor: 0.0% Sursa datei: name-suffixgemini-2.5-pro-preview-06-05 Lansat: iun. 2025 Scor: 0.0% Sursa datei: curatedgemini-2.5-pro Lansat: iun. 2025 Scor: 4.9% Sursa datei: curatedo3-pro-2025-06-10 Lansat: iun. 2025 Scor: 4.9% Sursa datei: curatedQwen3-235B-A22B-Instruct-2507 Lansat: iul. 2025 Scor: 1.3% Sursa datei: name-suffixgrok-4-0709 Lansat: iul. 2025 Scor: 16.0% Sursa datei: curatedgpt-5-2025-08-07 Lansat: aug. 2025 Scor: 9.9% Sursa datei: curatedgpt-5-nano-2025-08-07 Lansat: aug. 2025 Scor: 2.6% Sursa datei: curatedgpt-5-mini-2025-08-07 Lansat: aug. 2025 Scor: 4.4% Sursa datei: curatedgrok-4-fast Lansat: sept. 2025 Scor: 5.3% Sursa datei: curatedclaude-sonnet-4-5-20250929 Lansat: sept. 2025 Scor: 13.6% Sursa datei: curatedgpt-5-pro-2025-10-06 Lansat: oct. 2025 Scor: 18.3% Sursa datei: curatedclaude-haiku-4-5-20251001 Lansat: oct. 2025 Scor: 4.0% Sursa datei: curatedclaude-opus-4-5-20251101 Lansat: nov. 2025 Scor: 37.6% Sursa datei: name-suffixgpt-5.1-2025-11-13 Lansat: nov. 2025 Scor: 17.6% Sursa datei: name-suffixgpt-5.2-2025-12-11 Lansat: dec. 2025 Scor: 52.9% Sursa datei: name-suffixgpt-5.2gpt-5.2-pro-2025-12-11 Lansat: dec. 2025 Scor: 54.2% Sursa datei: name-suffixgpt-5.2-prokimi-k2.5 Lansat: ian. 2026 Scor: 11.8% Sursa datei: huggingface-createdglm-5 Lansat: feb. 2026 Scor: 4.9% Sursa datei: huggingface-createdMiniMax-M2.5 Lansat: feb. 2026 Scor: 4.9% Sursa datei: huggingface-createdgpt-5.4-pro-2026-03-05 Lansat: mar. 2026 Scor: 83.3% Sursa datei: name-suffixgpt-5.4-prokimi-k3 Lansat: iun. 2026 Scor: 60.4% Sursa datei: huggingface-createdglm-5.2 Lansat: iun. 2026 Scor: 22.8% Sursa datei: huggingface-createdInkling Lansat: iul. 2026 Scor: 36.5% Sursa datei: huggingface-createdinkling-small Lansat: iul. 2026 Scor: 40.1% Sursa datei: huggingface-createddeepseek-v4-flash-0731 Lansat: iul. 2026 Scor: 61.4% Sursa datei: huggingface-createdqwen3.8-27b Lansat: aug. 2026 Scor: 42.4% Sursa datei: huggingface-createddeepseek-v4-pro-0813 Lansat: aug. 2026 Scor: 61.3% Sursa datei: huggingface-createdglm-5.3-flash Lansat: aug. 2026 Scor: 65.8% Sursa datei: huggingface-createdclaude-opus-5 Lansat: sept. 2026 Scor: 90.4% Sursa datei: lmarena-first-seenclaude-opus-5claude-fable-5 Lansat: sept. 2026 Scor: 89.2% Sursa datei: lmarena-first-seenclaude-opus-4-6 Lansat: sept. 2026 Scor: 69.2% Sursa datei: lmarena-first-seengemini-3.1-pro-preview Lansat: sept. 2026 Scor: 77.1% Sursa datei: lmarena-first-seengpt-6-astra Lansat: sept. 2026 Scor: 95.0% Sursa datei: lmarena-first-seengpt-6-astragpt-5.5 Lansat: sept. 2026 Scor: 85.0% Sursa datei: lmarena-first-seengpt-5.6-luna Lansat: sept. 2026 Scor: 59.5% Sursa datei: lmarena-first-seengrok-4.6 Lansat: sept. 2026 Scor: 67.1% Sursa datei: lmarena-first-seengpt-5.6-sol Lansat: sept. 2026 Scor: 92.5% Sursa datei: lmarena-first-seengrok-4.5 Lansat: sept. 2026 Scor: 52.6% Sursa datei: lmarena-first-seenclaude-sonnet-4-6 Lansat: sept. 2026 Scor: 60.4% Sursa datei: lmarena-first-seengpt-5.6-terra Lansat: sept. 2026 Scor: 83.9% Sursa datei: lmarena-first-seenclaude-fable-5-1 Lansat: sept. 2026 Scor: 90.0% Sursa datei: lmarena-first-seenclaude-opus-4-7 Lansat: sept. 2026 Scor: 75.8% Sursa datei: lmarena-first-seengpt-5.4-2026-03-05 Lansat: sept. 2026 Scor: 74.0% Sursa datei: lmarena-first-seengemini-3.6-flash Lansat: sept. 2026 Scor: 60.4% Sursa datei: lmarena-first-seengemini-3.5-flash Lansat: sept. 2026 Scor: 72.1% Sursa datei: lmarena-first-seenclaude-opus-4-8 Lansat: sept. 2026 Scor: 72.1% Sursa datei: lmarena-first-seengpt-6-luna Lansat: oct. 2026 Scor: 59.3% Sursa datei: lmarena-first-seengpt-6.1-sol Lansat: oct. 2026 Scor: 94.2% Sursa datei: lmarena-first-seengpt-6-sol Lansat: oct. 2026 Scor: 89.6% Sursa datei: lmarena-first-seengemini-3.8-flash Lansat: oct. 2026 Scor: 89.2% Sursa datei: lmarena-first-seengpt-5.4-nano-2026-03-17 Lansat: oct. 2026 Scor: 5.7% Sursa datei: lmarena-first-seengemini-3.5-flash-lite Lansat: oct. 2026 Scor: 10.3% Sursa datei: lmarena-first-seenclaude-opus-5-5 Lansat: oct. 2026 Scor: 93.3% Sursa datei: lmarena-first-seengemini-3.7-flash Lansat: oct. 2026 Scor: 84.6% Sursa datei: lmarena-first-seengrok-4.7 Lansat: oct. 2026 Scor: 61.4% Sursa datei: lmarena-first-seengpt-5.4-mini-2026-03-17 Lansat: oct. 2026 Scor: 18.9% Sursa datei: lmarena-first-seendeepseek-v4.1-flash Lansat: oct. 2026 Scor: 72.9% Sursa datei: huggingface-created
Modelul la data lui de lansareCel mai bun scor curent (frontiera)Intervalul de încredere al scorului

Citește-l ca pe un grafic de frontieră, nu ca pe o traiectorie per model. Scorul unui model fix pe un benchmark fix nu se schimbă în timp — numărul GPQA al lui Claude 3.5 Sonnet de azi este același pe care Anthropic l-a raportat la lansare. Linia urcă pentru că apar mereu modele mai bune, nu pentru că vreun model anume s-a îmbunătățit. Ca să vezi cum se schimbă în timp scorul unui singur model (pe măsură ce evaluarea lui este rerulată cu alte scaffold-uri, de exemplu) e nevoie de alt fel de date: instantanee zilnice ale fiecărui clasament, pe care le vom reprezenta după ce se vor acumula câteva săptămâni.

21 de modele nu au o dată de lansare cunoscută și nu sunt reprezentate.

Benchmark-uri · frontieră

Reperele frontierei

De fiecare dată când un plafon s-a mutat: cine, ce benchmark, cu cât. Atinge un sparkline ca să alegi un benchmark — graficul de mai sus îl urmează; atinge o organizație ca să filtrezi după laborator. Fiecare eveniment este diferența celui mai bun scor curent pe care îl desenează graficul.

15 din 115 evenimente de frontieră ·

  1. sept. 202690.4%

    claude-opus-5 Anthropic stabilește ARC-AGI-2

    +7.1 pp
  2. sept. 202695.0%

    gpt-6-astra OpenAI stabilește ARC-AGI-2

    +4.6 pp
  3. mar. 202683.3%

    gpt-5.4-pro-2026-03-05 OpenAI stabilește ARC-AGI-2

    +29.2 pp
  4. dec. 202552.9%

    gpt-5.2-2025-12-11 OpenAI stabilește ARC-AGI-2

    +15.3 pp
  5. dec. 202554.2%

    gpt-5.2-pro-2025-12-11 OpenAI stabilește ARC-AGI-2

    +1.3 pp
  6. nov. 202537.6%

    claude-opus-4-5-20251101 Anthropic stabilește ARC-AGI-2

    +19.3 pp
  7. oct. 202518.3%

    gpt-5-pro-2025-10-06 OpenAI stabilește ARC-AGI-2

    +2.4 pp
  8. iul. 202516.0%

    grok-4-0709 xAI stabilește ARC-AGI-2

    +7.4 pp
  9. mai 20258.6%

    claude-opus-4-20250514 Anthropic stabilește ARC-AGI-2

    +2.1 pp
  10. apr. 20256.1%

    o4-mini-2025-04-16 OpenAI stabilește ARC-AGI-2

    +3.1 pp
  11. apr. 20256.5%

    o3-2025-04-16 OpenAI stabilește ARC-AGI-2

    +0.4 pp
  12. ian. 20253.0%

    o3-mini-2025-01-31 OpenAI stabilește ARC-AGI-2

    +1.7 pp
  13. ian. 20251.3%

    DeepSeek-R1 DeepSeek stabilește ARC-AGI-2

    +0.5 pp
  14. sept. 20240.8%

    o1-mini-2024-09-12 OpenAI stabilește ARC-AGI-2

    +0.8 pp
  15. mai 20240.0%

    gpt-4o-2024-11-20 OpenAI stabilește ARC-AGI-2

    primul scor