Sari la conținut

Română · beta. Traducerea a fost făcută automat și este încă în curs de revizuire. Citește pagina în engleză

Benchmark-uri

Surse
8
Intrări urmărite
22.308
Ultima sincronizare
18 min
Toate sursele se sincronizează normal
  • Arena · Textacum 12 ore
  • Arena · WebDevacum 12 ore
  • Arena · Visionacum 12 ore
  • Arena · Agentacum 12 ore
  • GPQA Diamondacum 18 minute
  • SWE-benchacum 18 minute
  • Terminal-Benchacum 18 minute
  • ARC-AGI-2acum 18 minute

claude-opus-4-5

79.2%

niciun interval publicat

anthropicnov. 2025oscilație #20–#62

SWE-bench Verified (clasament live) ×165 din 65 modele
ModelOrganizație± CIOscilațieAdaugă la comparație
1claude-opus-4-5anthropicnov. 2025$5 / $2579.2%—#20–62
2Doubao-Seed-Code———78.8%——
320251127_openhands_claude-opus-4-5———77.6%——
4gemini-3-pro-previewgoogle——77.4%—#19–120
5claude-sonnet-4-20250514anthropicmai 2025—76.8%—#78–436
6claude-4-sonnetanthropicmai 2025$3 / $1576.4%——
7gpt-5openaiaug. 2025$1.25 / $1075.6%—#64–149
8claude-sonnet-4-5anthropicsept. 2025$3 / $1574.8%—#66–232
9claude-4-opus-20250514anthropicmai 2025$15 / $7573.2%——
10gemini-3-5-flashgooglesept. 2026$1.50 / $971.8%—#10–26
11openai/gpt-5-2025-08-07openai——71.8%——
12kimi-k2-0905-previewmoonshotaisept. 2025—71.2%—#85–314
13TRAE———70.6%——
14Augment Agent v1———70.4%——
15claude-3-7-sonnet-20250219anthropicfeb. 2025—70.4%—#128–354
16OpenHands———65.8%——
17Amazon Q Developer Agent (v20250405-dev)———65.4%——
18Augment Agent v0———65.4%——
19moonshot/kimi-k2-0711-previewmoonshot——65.4%——
20o1-previewopenaisept. 2024—64.6%—#147–314
21o4-miniopenaiapr. 2025$1.10 / $4.4064.6%—#129–274
22claude-3-5-sonnet-20241022anthropiciun. 2024—63.4%—#126–657
23Tools + Claude 3.7 Sonnet (2025-02-24)———63.2%——
24Blackbox AI Agent———62.8%——
25OpenHands + 4x Scaled (2024-02-03)———60.8%——
26Qwen3-Coder-30B-A3B-Instructalibabaiul. 2025$0.07 / $0.2860.4%——
27agentica-org/DeepSWE-Previewagentica-org——58.8%——
28devlo———58.2%——
29NV-EmbedCode———58.2%——
30Gru(2024-12-08)———57.0%——
31SWE-Rizzo———56.6%——
32FrogBoss-32B-2510———53.6%——
33kimi-k2-instructmoonshotai——53.4%—#108–588
34Bracket.sh———53.2%——
35OpenHands + 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.

Puținele lucruri din AI și cuantic care au contat cu adevărat săptămâna asta — rezumate cinstit.

Un e-mail pe săptămână. Dezabonare dintr-un clic. Fără urmărire, fără partajare.