20251127_openhands_claude-opus-4-5
77.6%
niciun interval publicat
aiqbench · Benchmark-uri LLM
Benchmark-uri
- Surse
- 8
- Intrări urmărite
- 22.310
- Ultima sincronizare
- 15 minacum 15 minute
Toate sursele se sincronizează normal
- Arena · Text· acum 6 ore
- Arena · WebDev· acum 6 ore
- Arena · Vision· acum 6 ore
- Arena · Agent· acum 6 ore
- GPQA Diamond· acum 15 minute
- SWE-bench· acum 15 minute
- Terminal-Bench· acum 15 minute
- ARC-AGI-2· acum 15 minute
Filtrează după organizație:
Lansat:
OpenHands
65.8%
niciun interval publicat
OpenHands + 4x Scaled (2024-02-03)
60.8%
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 | |||||
|---|---|---|---|---|---|---|---|---|---|
| 3 | 20251127_openhands_claude-opus-4-5 | — | — | — | 77.6% | — | — | ||
| 16 | OpenHands | — | — | — | 65.8% | — | — | ||
| 25 | OpenHands + 4x Scaled (2024-02-03) | — | — | — | 60.8% | — | — | ||
| 35 | OpenHands + CodeAct v2.1 (claude-3-5-sonnet-20241022) | — | — | — | 53.0% | — | — |
Se afișează SWE-bench Verified (clasament live) 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.