OpenAI: GPT-4.1

Ce spun datele

Evaluat pe 20 din 27 axe urmărite. Fiecare cifră de mai jos este rezultatul publicat al modelului pe acel clasament.

Neuniform: 74,7 puncte de percentilă între cea mai bună și cea mai slabă axă a sa — 81 pct pe Halucinații HHEM (Vectara) față de 6.3 pct pe SWE-bench Verified.

• Halucinații HHEM (Vectara)81 pct94.4%Verifică →
• BFCL v4 (apelare de funcții)Clasament inactiv80.5 pct54.0%Verifică →
• MMLU-Pro (Artificial Analysis)69.7 pct80.6%Verifică →
• Urmarea instrucțiunilor68.2 pct1,403Verifică →
• General67.4 pct1,415Verifică →
• Prompturi dificile67.2 pct1,432Verifică →
• Programare65.5 pct1,456Verifică →
• LiveBench59.8 pct58.4%Verifică →
• LiveCodeBench (Artificial Analysis)53.4 pct45.7%Verifică →
• Vision Arena51.3 pct1,214Verifică →
• GPQA Diamond48.4 pct66.9%Verifică →
• IFBench (Artificial Analysis)47.5 pct43.0%Verifică →
• AIME (matematică)35.5 pct38.3%Verifică →
• FrontierMath34.8 pct5.5%Verifică →
• SimpleQA Verified26.8 pct31.1%Verifică →
• Factuality Arena20.9 pct1,408Verifică →
• SimpleBench18.4 pct27.0%Verifică →
• Humanity's Last Exam15.2 pct5.4%Verifică →
• ARC-AGI-213.5 pct0.4%Verifică →
• SWE-bench Verified6.3 pct48.5%Verifică →
• WebDev ArenaNeevaluat
• Search ArenaNeevaluat
• Document ArenaNeevaluat
• Agent ArenaNeevaluat
• SWE-bench Verified (clasament live)Neevaluat
• Terminal-Bench 4.0Neevaluat
• 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.

Cum îl rulezi

curl https://openrouter.ai/api/v1/chat/completions \
  -H "Authorization: Bearer $OPENROUTER_API_KEY" \
  -H "Content-Type: application/json" \
  -d '{"model":"openai/gpt-4.1","messages":[{"role":"user","content":"Hello"}]}'

Identificatorii, limitele și prețurile sunt sincronizate din sursa upstream afișată mai sus. Orice câmp nesincronizat este omis complet, nu ghicit.