o1
67.9%
niciun interval publicat
aiqbench · Benchmark-uri LLM
Benchmark-uri
- Surse
- 8
- Intrări urmărite
- 22.308
- Ultima sincronizare
- 1 hacum 1 oră
Toate sursele se sincronizează normal
- Arena · Text· acum 11 ore
- Arena · WebDev· acum 11 ore
- Arena · Vision· acum 11 ore
- Arena · Agent· acum 11 ore
- GPQA Diamond· acum 1 oră
- SWE-bench· acum 1 oră
- Terminal-Bench· acum 1 oră
- ARC-AGI-2· acum 1 oră
Filtrează după organizație:
Lansat:
o1-mini
57.6%
niciun interval publicat
O singură grilă, toate coloanele. Alege axe din panoul Axe — o axă clasifică precum un singur clasament, mai multe se combină într-un scor compus ponderat, toate la un loc se citesc ca indexul. Locul este atribuit înaintea oricărui filtru și nu se renumerotează niciodată.
| Model | Organizație | ± CI | Oscilație | Adaugă la comparație | |||||
|---|---|---|---|---|---|---|---|---|---|
| 71 | o1 | openai | dec. 2024 | $15 / $60 | 67.9% | — | #127–229 | ||
| 103 | o1-mini | openai | sept. 2024 | — | 57.6% | — | #185–760 |
Se afișează LiveCodeBench (Artificial Analysis) exact așa cum a publicat-o sursa — propriul scor și interval de încredere, fără mix. Selectează o a doua axă ca să construiești un scor compus ponderat.