Sari la conținut
aiqbench

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

xAI · pașaport de model

Grok 4 1 Thinking

grok-4-1-thinking
  • Doar în cloud
  • Licență Proprietary
  • Lansat 2026-10-13(văzut prima dată pe LMArena)
6/27axe acoperite
General · LMArena
1,465#47 din 396
Cea mai bună percentilă
88.4General
Poziția în cohortă
59.5mediană 60.7

Ce spun datele

Evaluat pe 6 din 27 axe urmărite. Fiecare cifră de mai jos este rezultatul publicat al modelului pe acel clasament.

Cele mai puternice axe

  • 88.4 pct — General (1,465)

Cele mai slabe axe

  • 6.5 pct — WebDev Arena (1,214)

Neuniform: 81,9 puncte de percentilă între cea mai bună și cea mai slabă axă a sa — 88.4 pct pe General față de 6.5 pct pe WebDev Arena.

  • General88.4 pct1,465Verifică →
  • Prompturi dificile84.8 pct1,477Verifică →
  • Programare82.1 pct1,500Verifică →
  • Urmarea instrucțiunilor78.5 pct1,429Verifică →
  • Factuality Arena44.8 pct1,434Verifică →
  • WebDev Arena6.5 pct1,214Verifică →
  • Vision ArenaNeevaluat
  • Search ArenaNeevaluat
  • Document ArenaNeevaluat
  • Agent ArenaNeevaluat
  • GPQA DiamondNeevaluat
  • AIME (matematică)Neevaluat
  • FrontierMathNeevaluat
  • SimpleQA VerifiedNeevaluat
  • ARC-AGI-2Neevaluat
  • Humanity's Last ExamNeevaluat
  • SimpleBenchNeevaluat
  • 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
  • Halucinații HHEM (Vectara)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.

  • grok-4.1-thinking stands at 59.5 (raw mean 64.2) — measured on 6 of 27 axes.

    pozițieșablonVerifică →

  • grok-4.1-thinking stands at 59.5 versus a cohort median of 60.7 across 169 models released within 180 days — below 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 →