Clasamente către care trimitem, dar pe care nu le republicăm. Constrângerile de licență sau ale termenilor de utilizare împiedică ingestia; arătăm ce măsoară fiecare și punem linkul, ca să poți citi sursa direct. Acolo unde o parte din rezultatele unui editor ajung la noi sub o licență deschisă pe altă cale, fișa numește acele clasamente și trimite la fișele lor.
CursorBench
Cod
Ce măsoară
Benchmarkul propriu Cursor: sarcini ambigue, pe mai multe fișiere, luate din sesiuni Cursor reale; scor per model cu cost, tokeni și pași; 68 de configurații, actualizat până în octombrie 2026.
Când să îl consulți
Ca să vezi cum se comportă modelele într-un anumit agent de programare — ținând cont că furnizorul a ales sarcinile și rulează cadrul.
Scale SEAL leaderboards
Mixt
Ce măsoară
Evaluările private ale Scale AI (SEAL), scrise de experți, pentru programare, agenți, multilingv și siguranță; rezultatele rămân pe site-ul lor.
Când să îl consulți
O a doua opinie din seturi de test private, pe care laboratoarele nu le-au putut folosi la antrenare.
SWE-bench Pro (Scale)
SWE
Ce măsoară
Succesorul mai dificil al SWE-bench Verified, de la Scale: 1.865 de sarcini din depozite copyleft, 731 publice, cu intervale ±; încă fără fișier de rezultate de ingerat.
Când să îl consulți
Ca să verifici un agent de programare pe sarcini alese să reziste contaminării.
METR time horizons
Agent
Ce măsoară
Estimarea METR a orizontului de timp: durata sarcinii, în minute umane, pe care un model o duce la capăt cu succes 50%, cu intervale; se publică doar rulările brute, ajustarea e a lor.
Când să îl consulți
O măsură a autonomiei pe care niciun benchmark de acuratețe nu o oferă.
Vals.ai benchmarks
Mixt
Ce măsoară
Cele 30 de benchmarkuri independente Vals.ai pentru juridic, financiar, medical, programare și matematică, fiecare cu acuratețe, cost și latență.
Când să îl consulți
Verificări pe domenii (drept, finanțe, medicină) pe care clasamentele generale nu le acoperă.
Aider polyglot leaderboard
Cod
Ce măsoară
Benchmarkul Aider de editare de cod pe 225 de exerciții Exercism în șase limbaje, cu costul fiecărei rulări; ultima actualizare în noiembrie 2025.
Când să îl consulți
Referință istorică pentru fiabilitatea formatului de editare; clasamentul a rămas în urmă.
Artificial Analysis
Mixt
Ce măsoară
Viteza de inferență, latența, debitul, costul și un indice compus de calitate pentru endpoint-urile LLM găzduite.
Când să îl consulți
Alegerea API-ului de apelat pentru o sarcină sensibilă la latență sau la cost.
LLM Stats
Mixt
Ce măsoară
Agregator între benchmark-uri (peste 50 de benchmark-uri, incl. GPQA, MMLU-Pro, AIME, MATH, HumanEval, MMMU) cu prețuri, fereastră de context și disponibilitate la furnizori pentru fiecare model. Termenii lor permit redistribuirea cu atribuire — nu suntem blocați de licență, doar nu le-am conectat încă API-ul.
Când să îl consulți
Compararea prețurilor și a funcțiilor acceptate între furnizori într-o singură vizualizare, sau verificarea unei axe de benchmark (matematică, vedere, cunoștințe generale) pe care nu o ingerăm încă direct.
BenchLM
Mixt
Ce măsoară
Un indice „bench-align” între benchmark-uri, pe sarcini agentice, programare, raționament, cunoștințe și urmarea instrucțiunilor.
Când să îl consulți
O verificare rapidă încrucișată a propriilor noastre clasări. Citește cifrele pe categorii, nu indicele principal — o treime din modelele sale sunt punctate prin estimare, nu prin măsurare.
Open LLM Leaderboard (HuggingFace, archived)
Mixt
Ce măsoară
Evaluări automate (IFEval, BBH, MATH, GPQA, MuSR, MMLU-Pro) pe modele cu ponderi deschise.
Când să îl consulți
Comparație istorică a modelelor cu ponderi deschise din era 2024. Înghețat din martie 2025 — nu conține modele de frontieră.
OpenRouter Rankings
Mixt
Ce măsoară
Cota de tokeni și de cereri din traficul propriu OpenRouter, plus scoruri de benchmark terțe pe care le republică.
Când să îl consulți
Vezi ce rulează oamenii de fapt în producție, și la ce cost. Citește-l ca adopție, nu capabilitate — un model îl poate conduce fiind ieftin și implicit.
Vellum LLM Leaderboard
Mixt
Ce măsoară
Rezumat curatoriat pe mai multe benchmark-uri, cu scurte note editoriale per model.
Când să îl consulți
O trecere rapidă prin „ce e la modă” când ai doar un minut.
Onyx — Best LLMs
Mixt
Ce măsoară
Listă editorială cu cele mai bune modele pe benchmark-uri de programare, raționament și matematică.
Când să îl consulți
O a doua opinie față de benchmark-urile principale.
DeepSWE
SWE
Ce măsoară
Scorul SWE-bench Verified raportat de un agent cu ponderi deschise, publicat în propriul README de pe GitHub.
Când să îl consulți
Urmărirea stadiului actual al modelelor cu ponderi deschise pe sarcini software din depozite reale.
Vending-Bench
Agent
Ce măsoară
Coerența agenților pe orizont lung — administrarea unei afaceri simulate cu automate de vânzare pe peste 20M de tokeni per rulare.
Când să îl consulți
Testarea la limită dacă un agent poate susține acțiuni coerente ore întregi, nu doar câteva ture.
MathArena
Matematică
Ce măsoară
Performanța modelelor de frontieră la olimpiadele de matematică (AIME, IMO, HMMT) pe probleme fără contaminare.
Când să îl consulți
Urmărirea rezultatelor modelelor de raționament la cea mai grea matematică de concurs disponibilă.
LiveCodeBench
Cod
Ce măsoară
Benchmark de programare fără contaminare, construit din probleme de programare competitivă dintr-o fereastră de timp.
Când să îl consulți
O verificare de bun-simț pe axa de programare, rezistentă la scurgerile din datele de antrenare.
Terminal-Bench
Agent
Ce măsoară
Evaluare agentică a modelelor care operează un terminal real — rata de reușită pe un set curatoriat de scenarii shell / buclă de dezvoltare.
Când să îl consulți
Unul dintre cele mai activ actualizate benchmark-uri agentice din 2026; verifică site-ul pentru clasarea actuală între furnizori.
Stanford HELM Capabilities
Mixt
Ce măsoară
Proiectul Capabilities al Stanford HELM — evaluare holistică per scenariu a modelelor de frontieră pe zeci de sarcini.
Când să îl consulți
Referință multi-axă de autoritate de la Stanford CRFM. Ultima versiune, v1.15.0, datează din 2025-11-24.
Arena-Hard-Auto
Chat
Ce măsoară
Benchmark automat cu prompturi dificile de la LMSys — o variantă cu judecător LLM, complementară Chatbot Arena în direct.
Când să îl consulți
Comparație reproductibilă pe prompturi dificile când Elo-ul bazat pe preferințe umane (Arena) nu este ce îți trebuie.