Sari la conținut
aiqbench

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

Anthropic · pașaport de model

Claude Opus 4

claude-opus-4
  • Doar în cloud
  • Licență Proprietary
  • Lansat 2025-05-22(curatoriat)
13/27axe acoperite
General · LMArena
1,426#107 din 396
Cea mai bună percentilă
83.8Urmarea instrucțiunilor
Poziția în cohortă
53.3mediană 50.3

Ce spun datele

Evaluat pe 13 din 27 axe urmărite. Fiecare cifră de mai jos este rezultatul publicat al modelului pe acel clasament.

Neuniform: 56,2 puncte de percentilă între cea mai bună și cea mai slabă axă a sa — 83.8 pct pe Urmarea instrucțiunilor față de 27.6 pct pe Halucinații HHEM (Vectara).

  • Urmarea instrucțiunilor83.8 pct1,444Verifică →
  • Programare81.6 pct1,498Verifică →
  • Prompturi dificile76.3 pct1,457Verifică →
  • General73.2 pct1,426Verifică →
  • SimpleBench67.8 pct58.8%Verifică →
  • GPQA Diamond56.6 pct76.3%Verifică →
  • Vision Arena49.3 pct1,208Verifică →
  • AIME (matematică)45.5 pct64.4%Verifică →
  • ARC-AGI-242.7 pct8.6%Verifică →
  • Humanity's Last Exam39.1 pct10.7%Verifică →
  • FrontierMath31.9 pct4.5%Verifică →
  • SWE-bench Verified28.1 pct70.7%Verifică →
  • Halucinații HHEM (Vectara)27.6 pct88.0%Verifică →
  • WebDev ArenaNeevaluat
  • Factuality ArenaNeevaluat
  • Search ArenaNeevaluat
  • Document ArenaNeevaluat
  • Agent ArenaNeevaluat
  • SimpleQA VerifiedNeevaluat
  • LiveBenchNeevaluat
  • 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
  • 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-opus-4-20250514-thinking-16k stands at 53.3 (raw mean 54.1) — measured on 13 of 27 axes.

    pozițieșablonVerifică →

  • claude-opus-4-20250514-thinking-16k stands at 53.3 versus a cohort median of 50.3 across 146 models released within 180 days — above the peer median.

    cohortășablonVerifică →

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 →