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
22.310
Ultima sincronizare
16 min
Toate sursele se sincronizează normal
  • Arena · Textacum 6 ore
  • Arena · WebDevacum 6 ore
  • Arena · Visionacum 6 ore
  • Arena · Agentacum 6 ore
  • GPQA Diamondacum 17 minute
  • SWE-benchacum 17 minute
  • Terminal-Benchacum 16 minute
  • ARC-AGI-2acum 17 minute

Opus 5.5

64.8%±3.1%

61.7%CI68.0%

Anthropicoscilație #97–#97

Sonnet 5.5

61.8%±2.9%

58.9%CI64.8%

Anthropicoscilație #120–#120

GPT-6.1 Sol

58.2%±3.1%

55.1%CI61.3%

OpenAIoct. 2026oscilație #1–#15

Terminal-Bench 4.0 ×123 din 23 modele
ModelOrganizație± CIOscilațieAdaugă la comparație
1Opus 5.5Anthropic——64.8%61.7%–68.0%—
2Sonnet 5.5Anthropic——61.8%58.9%–64.8%—
3GPT-6.1 SolOpenAIoct. 2026$2 / $1058.2%55.1%–61.3%#1–15
4Fable 5.1Anthropic——57.9%54.5%–61.2%—
5GPT-6 AstraOpenAIsept. 2026$10 / $5057.9%54.9%–60.9%#1–18
6Opus 5Anthropic——51.8%48.4%–55.2%—
7GPT-6 SolOpenAIoct. 2026$2 / $1049.4%46.2%–52.6%#7–53
8Fable 5Anthropic——44.5%40.7%–48.4%—
9GLM-5.3Z.aiaug. 2026$0.08 / $1.4041.8%38.6%–45.0%#18–52
10Grok 4.7xAIoct. 2026$2 / $637.6%34.0%–41.1%#21–72
11GPT-5.6 SolOpenAIsept. 2026$4 / $2037.3%33.5%–41.0%#6–25
12GLM-5.3-FlashZ.aiaug. 2026$0.05 / $0.2035.8%32.2%–39.3%#26–60
13Qwen3.8-Max-0902Alibabaoct. 2026$2 / $627.0%23.2%–30.8%#23–155
14Opus 4.8Anthropic——23.6%20.1%–27.2%—
15GPT-5.6 TerraOpenAIsept. 2026$2 / $1221.5%18.3%–24.8%#13–59
16Grok 4.6xAIsept. 2026$2 / $620.3%17.2%–23.4%#15–52
17Gemini 3.8 FlashGoogleoct. 2026$0.83 / $4.1319.1%15.7%–22.4%#2–29
18GPT-5.6 LunaOpenAIsept. 2026$0.20 / $1.2017.3%14.4%–20.1%#30–146
19GPT-6 LunaOpenAIoct. 2026$0.10 / $0.5016.4%13.6%–19.1%#30–85
20Muse Spark 1.3Metasept. 2026$1.25 / $4.2514.6%11.6%–17.5%#13–33
21Grok 4.5xAIsept. 2026$2 / $612.4%9.8%–15.0%#29–70
22Sonnet 5Anthropic——12.4%9.4%–15.5%—
23Gemini 3.7 FlashGoogleoct. 2026$0.75 / $3.7511.2%8.8%–13.7%#9–57

Se afișează Terminal-Bench 4.0 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.