claude-3-sonnet-20240229
40.6%±2.4%
38.2%CI43.0%
aiqbench · Benchmark-uri LLM
Benchmark-uri
- Surse
- 8
- Intrări urmărite
- 22.310
- Ultima sincronizare
- 35 minacum 35 de 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 35 de minute
- SWE-bench· acum 35 de minute
- Terminal-Bench· acum 35 de minute
- ARC-AGI-2· acum 35 de minute
Filtrează după organizație:
Lansat:
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 | |||||
|---|---|---|---|---|---|---|---|---|---|
| 174 | claude-3-sonnet-20240229 | Anthropic | mar. 2024 | — | 40.6% | 38.2%–43.0% | #266–1009 |
Se afișează GPQA Diamond 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.