Chatgpt 4o Latest

Ce spun datele

Evaluat pe 7 din 27 axe urmărite. Fiecare cifră de mai jos este rezultatul publicat al modelului pe acel clasament.

Neuniform: 23,7 puncte de percentilă între cea mai bună și cea mai slabă axă a sa — 79.5 pct pe General față de 55.8 pct pe Factuality Arena.

• General79.5 pct1,443Verifică →
• Urmarea instrucțiunilor77.5 pct1,426Verifică →
• Prompturi dificile75.8 pct1,455Verifică →
• Programare70.1 pct1,467Verifică →
• LiveBench65.6 pct61.6%Verifică →
• Vision Arena62 pct1,239Verifică →
• Factuality Arena55.8 pct1,444Verifică →
• WebDev ArenaNeevaluat
• Search ArenaNeevaluat
• Document ArenaNeevaluat
• Agent ArenaNeevaluat
• GPQA DiamondNeevaluat
• AIME (matematică)Neevaluat
• FrontierMathNeevaluat
• SimpleQA VerifiedNeevaluat
• ARC-AGI-2Neevaluat
• Humanity's Last ExamNeevaluat
• SimpleBenchNeevaluat
• BFCL v4 (apelare de funcții)Neevaluat
• SWE-bench Verified (clasament live)Neevaluat
• Terminal-Bench 4.0Neevaluat
• MMLU-Pro (Artificial Analysis)Neevaluat
• LiveCodeBench (Artificial Analysis)Neevaluat
• IFBench (Artificial Analysis)Neevaluat
• Halucinații HHEM (Vectara)Neevaluat
• SWE-bench VerifiedNeevaluat
• Terminal-BenchNeevaluat

Percentilele reprezintă poziția modelului în populația proprie a fiecărui clasament. Axele marcate „neevaluat” nu au niciun rezultat publicat pentru acest model — este o absență a datelor, nu un scor mic.