Claude Sonnet 4.5 High (September 2025)
70.9%
niciun interval publicat
aiqbench · Benchmark-uri LLM
Benchmark-uri
- Surse
- 8
- Intrări urmărite
- 22.308
- Ultima sincronizare
- 16 minacum 16 minute
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 16 minute
- SWE-bench· acum 16 minute
- Terminal-Bench· acum 16 minute
- ARC-AGI-2· acum 16 minute
Filtrează după organizație:
Lansat:
Claude Opus 4.1 (August 2025)
64.2%
niciun interval publicat
GPT-5 Medium (August 2025)
59.4%
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 | |||||
|---|---|---|---|---|---|---|---|---|---|
| 1 | Claude Sonnet 4.5 High (September 2025) | anthropic | — | — | 70.9% | — | — | ||
| 2 | Claude Opus 4.1 (August 2025) | anthropic | aug. 2025 | $15 / $75 | 64.2% | — | #73–404 | ||
| 3 | GPT-5 Medium (August 2025) | openai | — | — | 59.4% | — | — | ||
| 4 | Claude Opus 4 (May 2025) | anthropic | mai 2025 | — | 57.6% | — | #84–469 | ||
| 5 | Claude Haiku 4.5 (October 2025) | anthropic | oct. 2025 | $1 / $5 | 56.4% | — | #117–611 | ||
| 6 | Claude-3.7 Sonnet (February 2025) | anthropic | feb. 2025 | — | 56.4% | — | #128–358 | ||
| 7 | o4-mini High (April 2025) | openai | — | — | 55.8% | — | — | ||
| 8 | GPT-4.1 (April 2025) | openai | apr. 2025 | $2 / $8 | 49.7% | — | #148–545 | ||
| 9 | DeepSeek V3 (March 2025) | deepseek | dec. 2024 | — | 28.5% | — | #178–644 | ||
| 10 | o3 Medium (April 2025) | openai | — | — | 28.5% | — | — | ||
| 11 | DeepSeek R1 (January 2025) | deepseek | ian. 2025 | $0.70 / $2.50 | 24.9% | — | #117–390 | ||
| 12 | Gemini 2.0 Flash (February 2025) | — | — | 19.4% | — | — |
Se afișează GAIA (HAL) 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.