aiqbench · flux de analize
Analize între axe
Propoziții editoriale care rezumă constatările notabile între axe calculate în alte părți ale acestui site — modelele cu cea mai mare divergență, modelele care stabilesc frontiera, clasările sensibile la ponderi și forma corelațiilor dintre axe. Fiecare afirmație e un fapt calculat; fiecare formulare poate fi verificată cu un clic.
Cea mai mare constatare
granite-4.1-8b se clasează între #150 și #978 pe 6 ponderări încorporate — cel mai bine sub „Agentic”, cel mai slab sub „Toate sursele”.
- oscilație a pozițieigpt-4o-2024-05-13
gpt-4o-2024-05-13 se clasează între #154 și #955 pe 6 ponderări încorporate — cel mai bine sub „Agentic”, cel mai slab sub „Toate sursele”.
Agentic · Toate sursele - oscilație a pozițieigpt-4.1-nano-2025-04-14
gpt-4.1-nano-2025-04-14 se clasează între #197 și #987 pe 5 ponderări încorporate — cel mai bine sub „Axat pe programare”, cel mai slab sub „Toate sursele”.
Axat pe programare · Toate sursele - oscilație a pozițieigpt-4o-mini-2024-07-18
gpt-4o-mini-2024-07-18 se clasează între #236 și #1.023 pe 5 ponderări încorporate — cel mai bine sub „Axat pe programare”, cel mai slab sub „Toate sursele”.
Axat pe programare · Toate sursele - oscilație a pozițieigrok-4-fast-reasoning
grok-4-fast-reasoning se clasează între #157 și #936 pe 6 ponderări încorporate — cel mai bine sub „Agentic”, cel mai slab sub „Toate sursele”.
Agentic · Toate sursele - divergențăGemini 3.7 Flash (High)
Gemini 3.7 Flash (High) are un decalaj de 93,4 puncte percentile pe 13 axe acoperite: 97,7 pe GPQA Diamond față de 4,3 pe Terminal-Bench 4.0.
GPQA Diamond · Terminal-Bench 4.0 - divergențăgpt-5.4-nano-high
gpt-5.4-nano-high are un decalaj de 93 puncte percentile pe 14 axe acoperite: 99 pe Halucinații HHEM (Vectara) față de 6,1 pe SimpleQA Verified.
Halucinații HHEM (Vectara) · SimpleQA Verified - frontierăgpt-5.4-pro-2026-03-05
Pe FrontierMath, gpt-5.4-pro-2026-03-05 a ridicat cel mai bun scor curent cu 9,3 puncte procentuale, la 50%, pe 2026-03-05.
FrontierMath - divergențăgpt-5.1-high
gpt-5.1-high are un decalaj de 92,1 puncte percentile pe 22 axe acoperite: 97,3 pe LiveCodeBench (Artificial Analysis) față de 5,3 pe Document Arena.
LiveCodeBench (Artificial Analysis) · Document Arena - divergențăGrok 4 Fast (Reasoning)
Grok 4 Fast (Reasoning) are un decalaj de 90,6 puncte percentile pe 5 axe acoperite: 93,5 pe LiveCodeBench (Artificial Analysis) față de 2,9 pe WebDev Arena.
LiveCodeBench (Artificial Analysis) · WebDev Arena - divergențăo4-mini-2025-04-16
o4-mini-2025-04-16 are un decalaj de 90,6 puncte percentile pe 20 axe acoperite: 97,6 pe LiveBench față de 7 pe Factuality Arena.
LiveBench · Factuality Arena - corelație
Au apărut 2 grupuri legate prin corelație; cel mai mare cuprinde 37 axe, cu un r median pe perechi de 0,89; 5 axe rămân izolate, cu acoperire suficientă, dar fără o corelație care să justifice un grup; 9 axe au o suprapunere insuficientă pentru a fi grupate onest.
- frontierăgpt-6-astra
Pe ARC-AGI-2, gpt-6-astra a ridicat cel mai bun scor curent cu 4,6 puncte procentuale, la 95%, pe 2026-09-13.
ARC-AGI-2 - frontierăclaude-opus-4-7
Pe SWE-bench Verified, claude-opus-4-7 a ridicat cel mai bun scor curent cu 4,1 puncte procentuale, la 83,5%, pe 2026-09-13.
SWE-bench Verified - frontierăgpt-5.6-sol
Pe OTIS Mock AIME, gpt-5.6-sol a ridicat cel mai bun scor curent cu 0,8 puncte procentuale, la 100%, pe 2026-09-13.
OTIS Mock AIME - frontierăgemini-4-argon
Pe GPQA Diamond, gemini-4-argon a ridicat cel mai bun scor curent cu 0,6 puncte procentuale, la 96,4%, pe 2026-10-13.
GPQA Diamond - frontierăgemini-4-argon
Pe SimpleQA Verified, gemini-4-argon a ridicat cel mai bun scor curent cu 0,4 puncte procentuale, la 76%, pe 2026-10-13.
SimpleQA Verified
Cum sunt construite aceste propoziții
FAPTELE sunt calculate determinist din baza de date curentă — numere, nume de modele, etichete de axe. Un LLM cu temperatură scăzută formulează fiecare fapt într-o singură propoziție, iar o poartă de validare respinge orice rezultat care adaugă un număr, un superlativ sau o afirmație cauzală pe care structura nu o conținea (revenind la o formulare din șablon determinist la orice eșec). Proza e o comoditate peste numere, niciodată un înlocuitor — fiecare analiză vine cu un link „verifică” spre datele de bază.
Cum funcționează clasamentele →