Anthropic · pașaport de model
Claude 3 7 Sonnet
claude-3-7-sonnet- Doar în cloud
- Licență Proprietary
- Lansat 2025-02-24(curatoriat)
- General · LMArena
- 1,388#165 din 396
- Cea mai bună percentilă
- 86.1MMLU-Pro (Artificial Analysis)
- Poziția în cohortă
- 52.3mediană 44.4
Ce spun datele
Evaluat pe 17 din 27 axe urmărite. Fiecare cifră de mai jos este rezultatul publicat al modelului pe acel clasament.
Cele mai puternice axe
- 86.1 pct — MMLU-Pro (Artificial Analysis) (83.7%)
Neuniform: 70,5 puncte de percentilă între cea mai bună și cea mai slabă axă a sa — 86.1 pct pe MMLU-Pro (Artificial Analysis) față de 15.6 pct pe SWE-bench Verified.
- MMLU-Pro (Artificial Analysis)86.1 pct83.7%Verifică →
- LiveBench84.2 pct70.6%Verifică →
- SWE-bench Verified (clasament live)78.5 pct70.2%Verifică →
- Urmarea instrucțiunilor70.7 pct1,411Verifică →
- Programare64.2 pct1,452Verifică →
- Prompturi dificile62.1 pct1,418Verifică →
- GPQA Diamond59.7 pct78.5%Verifică →
- General58.6 pct1,388Verifică →
- LiveCodeBench (Artificial Analysis)55 pct47.3%Verifică →
- IFBench (Artificial Analysis)54.9 pct48.3%Verifică →
- Vision Arena44 pct1,193Verifică →
- SimpleBench43.7 pct46.4%Verifică →
- AIME (matematică)42.5 pct57.8%Verifică →
- FrontierMath29 pct4.1%Verifică →
- Humanity's Last Exam28.3 pct8.0%Verifică →
- ARC-AGI-218 pct0.9%Verifică →
- SWE-bench Verified15.6 pct61.0%Verifică →
- WebDev ArenaNeevaluat
- Factuality ArenaNeevaluat
- Search ArenaNeevaluat
- Document ArenaNeevaluat
- Agent ArenaNeevaluat
- SimpleQA VerifiedNeevaluat
- BFCL v4 (apelare de funcții)Neevaluat
- Terminal-Bench 4.0Neevaluat
- Halucinații HHEM (Vectara)Neevaluat
- 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.
claude-3-7-sonnet-20250219-thinking-32k stands at 52.3 (raw mean 52.7) — measured on 17 of 27 axes.
claude-3-7-sonnet-20250219-thinking-32k stands at 52.3 versus a cohort median of 44.4 across 147 models released within 180 days — above the peer median.
claude-3-7-sonnet-20250219-thinking-32k scores at percentile 86.1 on MMLU-Pro (Artificial Analysis).
claude-3-7-sonnet-20250219-thinking-32k ranks between #128 and #358 across 6 built-in weightings — best under "Agentic", worst under "Toate sursele".
Fiecare afirmație este un fapt calculat din datele actuale ale clasamentului, formulat de un apel de model la temperatură scăzută și respins de o poartă de validare dacă vreun număr nu se află în rândul sursă. Cum funcționează clasamentele →