xAI · pașaport de model
Grok 4.0709
grok-4-0709- Doar în cloud
- Licență Proprietary
- Lansat 2025-07-09(curatoriat)
- General · LMArena
- 1,411#136 din 396
- Cea mai bună percentilă
- 91.5BFCL v4 (apelare de funcții)
- Poziția în cohortă
- 56.8mediană 51.5
Ce spun datele
Evaluat pe 14 din 27 axe urmărite. Fiecare cifră de mai jos este rezultatul publicat al modelului pe acel clasament.
Cele mai puternice axe
- 91.5 pct — BFCL v4 (apelare de funcții) (63.0%)
Neuniform: 66,5 puncte de percentilă între cea mai bună și cea mai slabă axă a sa — 91.5 pct pe BFCL v4 (apelare de funcții) față de 25 pct pe Terminal-Bench.
- BFCL v4 (apelare de funcții)Clasament inactiv91.5 pct63.0%Verifică →
- GPQA Diamond72.4 pct87.0%Verifică →
- SimpleBench70.1 pct60.5%Verifică →
- LiveBench69.8 pct64.0%Verifică →
- General65.9 pct1,411Verifică →
- Urmarea instrucțiunilor65.2 pct1,396Verifică →
- Prompturi dificile63.9 pct1,420Verifică →
- AIME (matematică)60 pct84.0%Verifică →
- Programare59.1 pct1,435Verifică →
- FrontierMath56.5 pct19.7%Verifică →
- ARC-AGI-248.3 pct16.0%Verifică →
- Vision Arena40.7 pct1,184Verifică →
- Factuality Arena27.9 pct1,418Verifică →
- Terminal-Bench25 pct27.2%Verifică →
- WebDev ArenaNeevaluat
- Search ArenaNeevaluat
- Document ArenaNeevaluat
- Agent ArenaNeevaluat
- SimpleQA VerifiedNeevaluat
- Humanity's Last ExamNeevaluat
- 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
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.
grok-4-0709 stands at 56.8 (raw mean 58.3) — measured on 14 of 27 axes.
grok-4-0709 stands at 56.8 versus a cohort median of 51.5 across 145 models released within 180 days — above the peer median.
grok-4-0709 scores at percentile 91.5 on BFCL v4 (apelare de funcții).
On GPQA Diamond, grok-4-0709 raised the running best score by 1.7 percentage points to 87% on 2025-07-09.
On ARC-AGI-2, grok-4-0709 raised the running best score by 7.4 percentage points to 16% on 2025-07-09.
grok-4-0709 ranks between #95 and #276 across 6 built-in weightings — best under "Universal", worst under "Axat pe programare".
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 →