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 20 Beta

grok-4-20-beta
  • Doar în cloud
  • Licență Proprietary
  • Lansat 2026-10-16(văzut prima dată pe LMArena)
1/27axe acoperite
Cea mai bună percentilă
33.1WebDev Arena
Poziția în cohortă
45.8mediană 60.8

Acoperire redusă — citește cu prudență

Acest model apare doar pe 1 din 27 axe de benchmark luate în considerare. Poziția generală a fost contractată spre valoarea neutră 50 pentru a reflecta eșantionul mic, și nu a fost afirmat niciun punct slab — o percentilă scăzută pe 2 axe este un artefact al acoperirii, nu o slăbiciune măsurată.

Ce spun datele

Evaluat pe 1 din 27 axe urmărite. Fiecare cifră de mai jos este rezultatul publicat al modelului pe acel clasament.

Pe doar 1 clasament(e), o listă ordonată de puncte forte ar fi o autoritate falsă — în schimb, cifrele pe fiecare axă sunt afișate mai jos, fără verdict.

  • WebDev Arena33.1 pct1,376Verifică →
  • GeneralNeevaluat
  • Vision ArenaNeevaluat
  • Factuality 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
  • ProgramareNeevaluat
  • Urmarea instrucțiunilorNeevaluat
  • Prompturi dificileNeevaluat

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 4.20 Beta (Reasoning, 0309) stands at 45.8 (raw mean 33.1) — measured on only 1 of 27 axes, so the standing is shrunk toward the neutral 50.

    pozițieșablonVerifică →

  • Grok 4.20 Beta (Reasoning, 0309) stands at 45.8 versus a cohort median of 60.8 across 168 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 →