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

SimpleBench — 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 (%)claude-3-opus-20240229 Lansat: mar. 2024 Scor: 23.5% Sursa datei: curatedgpt-4-turbo-2024-04-09 Lansat: apr. 2024 Scor: 25.1% Sursa datei: curatedgpt-4o-2024-08-06 Lansat: mai 2024 Scor: 17.8% Sursa datei: curatedclaude-3-5-sonnet-20241022 Lansat: iun. 2024 Scor: 41.4% Sursa datei: curatedmistral-large-2407 Lansat: iul. 2024 Scor: 22.5% Sursa datei: name-suffixgpt-4o-mini-2024-07-18 Lansat: iul. 2024 Scor: 10.7% Sursa datei: curatedo1-mini-2024-09-12 Lansat: sept. 2024 Scor: 18.1% Sursa datei: curatedo1-preview-2024-09-12 Lansat: sept. 2024 Scor: 41.7% Sursa datei: curatedgemini-1.5-pro-002 Lansat: sept. 2024 Scor: 27.1% Sursa datei: curatedo1-2024-12-17 Lansat: dec. 2024 Scor: 40.1% Sursa datei: curatedLlama-3.3-70B-Instruct Lansat: dec. 2024 Scor: 19.9% Sursa datei: curatedDeepSeek-V3 Lansat: dec. 2024 Scor: 18.9% Sursa datei: curatedDeepSeek-R1 Lansat: ian. 2025 Scor: 30.9% Sursa datei: curatedo3-mini-2025-01-31 Lansat: ian. 2025 Scor: 22.8% Sursa datei: curatedclaude-3-7-sonnet-20250219 Lansat: feb. 2025 Scor: 46.4% Sursa datei: curatedgpt-4.5-preview-2025-02-27 Lansat: feb. 2025 Scor: 34.5% Sursa datei: curatedDeepSeek-V3-0324 Lansat: mar. 2025 Scor: 27.2% Sursa datei: curatedgemini-2.5-pro-preview-03-25 Lansat: mar. 2025 Scor: 51.6% Sursa datei: curatedLlama-4-Maverick-17B-128E-Instruct Lansat: apr. 2025 Scor: 27.7% Sursa datei: curatedgpt-4.1-2025-04-14 Lansat: apr. 2025 Scor: 27.0% Sursa datei: curatedo3-2025-04-16 Lansat: apr. 2025 Scor: 53.1% Sursa datei: curatedo4-mini-2025-04-16 Lansat: apr. 2025 Scor: 38.7% Sursa datei: curatedqwen3-235b-a22b Lansat: apr. 2025 Scor: 31.0% Sursa datei: curatedclaude-sonnet-4-20250514 Lansat: mai 2025 Scor: 45.5% Sursa datei: curatedclaude-opus-4-20250514 Lansat: mai 2025 Scor: 58.8% Sursa datei: curatedDeepSeek-R1-0528 Lansat: mai 2025 Scor: 40.8% Sursa datei: curatedgemini-2.5-pro-preview-06-05 Lansat: iun. 2025 Scor: 62.4% Sursa datei: curatedgemini-2.5-pro-preview-…gemini-2.5-flash Lansat: iun. 2025 Scor: 41.2% Sursa datei: curatedgrok-4-0709 Lansat: iul. 2025 Scor: 60.5% Sursa datei: curatedgpt-oss-120b Lansat: aug. 2025 Scor: 22.1% Sursa datei: curatedclaude-opus-4-1-20250805 Lansat: aug. 2025 Scor: 60.0% Sursa datei: curatedgpt-5-2025-08-07 Lansat: aug. 2025 Scor: 56.7% Sursa datei: curatedDeepSeek-V3.1 Lansat: aug. 2025 Scor: 40.0% Sursa datei: curatedclaude-sonnet-4-5-20250929 Lansat: sept. 2025 Scor: 54.3% Sursa datei: curatedgpt-5-pro-2025-10-06 Lansat: oct. 2025 Scor: 61.6% Sursa datei: curatedclaude-opus-4-5-20251101 Lansat: nov. 2025 Scor: 62.0% Sursa datei: name-suffixgpt-5.1-2025-11-13 Lansat: nov. 2025 Scor: 53.2% Sursa datei: name-suffixgpt-5.2-pro-2025-12-11 Lansat: dec. 2025 Scor: 57.4% Sursa datei: name-suffixgpt-5.2-2025-12-11 Lansat: dec. 2025 Scor: 45.8% Sursa datei: name-suffixglm-4.7 Lansat: dec. 2025 Scor: 47.7% Sursa datei: huggingface-createdkimi-k2.5 Lansat: ian. 2026 Scor: 46.8% Sursa datei: huggingface-createdglm-5 Lansat: feb. 2026 Scor: 53.2% Sursa datei: huggingface-createdgpt-5.4-pro-2026-03-05 Lansat: mar. 2026 Scor: 74.1% Sursa datei: name-suffixgpt-5.4-proglm-5.1 Lansat: apr. 2026 Scor: 55.1% Sursa datei: huggingface-createdqwen3.7-max Lansat: mai 2026 Scor: 70.4% Sursa datei: name-suffixMiniMax-M3 Lansat: iun. 2026 Scor: 45.8% Sursa datei: huggingface-createdkimi-k2.7-code Lansat: iun. 2026 Scor: 57.9% Sursa datei: huggingface-createdkimi-k3 Lansat: iun. 2026 Scor: 60.7% Sursa datei: huggingface-createdglm-5.2 Lansat: iun. 2026 Scor: 58.8% Sursa datei: huggingface-createdInkling Lansat: iul. 2026 Scor: 50.0% Sursa datei: huggingface-createddeepseek-v4-flash-0731 Lansat: iul. 2026 Scor: 61.1% Sursa datei: huggingface-createddeepseek-v4-flash Lansat: iul. 2026 Scor: 46.3% Sursa datei: huggingface-createdgpt-5.6-luna Lansat: sept. 2026 Scor: 46.8% Sursa datei: lmarena-first-seengrok-4.6 Lansat: sept. 2026 Scor: 75.9% Sursa datei: lmarena-first-seengrok-4.6claude-opus-5 Lansat: sept. 2026 Scor: 80.6% Sursa datei: lmarena-first-seenclaude-opus-5gemini-3.1-pro-preview Lansat: sept. 2026 Scor: 79.6% Sursa datei: lmarena-first-seenclaude-opus-4-6 Lansat: sept. 2026 Scor: 67.6% Sursa datei: lmarena-first-seengrok-4.5 Lansat: sept. 2026 Scor: 70.0% Sursa datei: lmarena-first-seengpt-5.5 Lansat: sept. 2026 Scor: 69.0% Sursa datei: lmarena-first-seenclaude-opus-4-8 Lansat: sept. 2026 Scor: 64.8% Sursa datei: lmarena-first-seengpt-5.6-terra Lansat: sept. 2026 Scor: 48.9% Sursa datei: lmarena-first-seengemini-3.5-flash Lansat: sept. 2026 Scor: 76.7% Sursa datei: lmarena-first-seengpt-5.6-sol Lansat: sept. 2026 Scor: 64.8% Sursa datei: lmarena-first-seenclaude-fable-5 Lansat: sept. 2026 Scor: 81.9% Sursa datei: lmarena-first-seenclaude-fable-5claude-opus-4-7 Lansat: sept. 2026 Scor: 61.7% Sursa datei: lmarena-first-seenclaude-sonnet-5 Lansat: sept. 2026 Scor: 60.6% Sursa datei: lmarena-first-seengrok-4-1-fast-reasoning Lansat: oct. 2026 Scor: 56.0% Sursa datei: lmarena-first-seenmuse-spark-1.2 Lansat: oct. 2026 Scor: 74.5% Sursa datei: lmarena-first-seenqwen3.6-max-preview Lansat: oct. 2026 Scor: 63.0% Sursa datei: lmarena-first-seen
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.

19 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.

13 din 114 evenimente de frontieră ·

  1. sept. 202675.9%

    grok-4.6 xAI stabilește SimpleBench

    +1.8 pp
  2. sept. 202680.6%

    claude-opus-5 Anthropic stabilește SimpleBench

    +4.7 pp
  3. sept. 202681.9%

    claude-fable-5 Anthropic stabilește SimpleBench

    +1.3 pp
  4. mar. 202674.1%

    gpt-5.4-pro-2026-03-05 OpenAI stabilește SimpleBench

    +11.7 pp
  5. iun. 202562.4%

    gemini-2.5-pro-preview-06-05 Google DeepMind stabilește SimpleBench

    +3.6 pp
  6. mai 202558.8%

    claude-opus-4-20250514 Anthropic stabilește SimpleBench

    +5.7 pp
  7. apr. 202553.1%

    o3-2025-04-16 OpenAI stabilește SimpleBench

    +1.5 pp
  8. mar. 202551.6%

    gemini-2.5-pro-preview-03-25 Google DeepMind stabilește SimpleBench

    +5.2 pp
  9. feb. 202546.4%

    claude-3-7-sonnet-20250219 Anthropic stabilește SimpleBench

    +4.7 pp
  10. sept. 202441.7%

    o1-preview-2024-09-12 OpenAI stabilește SimpleBench

    +0.3 pp
  11. iun. 202441.4%

    claude-3-5-sonnet-20241022 Anthropic stabilește SimpleBench

    +16.3 pp
  12. apr. 202425.1%

    gpt-4-turbo-2024-04-09 OpenAI stabilește SimpleBench

    +1.6 pp
  13. mar. 202423.5%

    claude-3-opus-20240229 Anthropic stabilește SimpleBench

    primul scor