Anthropic · pașaport de model
Claude Sonnet 4
claude-sonnet-4- Doar în cloud
- Licență Proprietary
- Lansat 2025-05-22(curatoriat)
- General · LMArena
- 1,402#147 din 396
- Cea mai bună percentilă
- 93.8SWE-bench Verified (clasament live)
- Poziția în cohortă
- 53.5mediană 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.
Cele mai puternice axe
- 93.8 pct — SWE-bench Verified (clasament live) (76.8%)
Neuniform: 69,9 puncte de percentilă între cea mai bună și cea mai slabă axă a sa — 93.8 pct pe SWE-bench Verified (clasament live) față de 23.9 pct pe Humanity's Last Exam.
- SWE-bench Verified (clasament live)93.8 pct76.8%Verifică →
- Urmarea instrucțiunilor73.7 pct1,416Verifică →
- Programare73.1 pct1,474Verifică →
- Prompturi dificile67.9 pct1,433Verifică →
- General63.1 pct1,402Verifică →
- GPQA Diamond58.8 pct78.3%Verifică →
- AIME (matematică)52.5 pct71.1%Verifică →
- Vision Arena48.7 pct1,206Verifică →
- Halucinații HHEM (Vectara)43.8 pct89.7%Verifică →
- SimpleBench39.1 pct45.5%Verifică →
- ARC-AGI-238.2 pct5.9%Verifică →
- FrontierMath29 pct4.1%Verifică →
- Humanity's Last Exam23.9 pct7.8%Verifică →
- WebDev ArenaNeevaluat
- Factuality ArenaNeevaluat
- Search ArenaNeevaluat
- Document ArenaNeevaluat
- Agent ArenaNeevaluat
- SimpleQA VerifiedNeevaluat
- LiveBenchNeevaluat
- BFCL v4 (apelare de funcții)Neevaluat
- Terminal-Bench 4.0Neevaluat
- MMLU-Pro (Artificial Analysis)Neevaluat
- LiveCodeBench (Artificial Analysis)Neevaluat
- IFBench (Artificial Analysis)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.
claude-sonnet-4-20250514-thinking-32k stands at 53.5 (raw mean 54.3) — measured on 13 of 27 axes.
claude-sonnet-4-20250514-thinking-32k stands at 53.5 versus a cohort median of 50.3 across 146 models released within 180 days — above the peer median.
claude-sonnet-4-20250514-thinking-32k scores at percentile 93.8 on SWE-bench Verified (clasament live).
claude-sonnet-4-20250514-thinking-32k ranks between #78 and #436 across 5 built-in weightings — best under "Axat pe programare", 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 →