o3-2025-04-16
62.3%±2.2%
60.1%CI64.5%
aiqbench · Benchmark-uri LLM
Benchmark-uri
- Surse
- 8
- Intrări urmărite
- 22.310
- Ultima sincronizare
- 38 minacum 38 de minute
Toate sursele se sincronizează normal
- Arena · Text· acum 7 ore
- Arena · WebDev· acum 7 ore
- Arena · Vision· acum 7 ore
- Arena · Agent· acum 7 ore
- GPQA Diamond· acum 38 de minute
- SWE-bench· acum 38 de minute
- Terminal-Bench· acum 38 de minute
- ARC-AGI-2· acum 38 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 | |||||
|---|---|---|---|---|---|---|---|---|---|
| 27 | o3-2025-04-16 | OpenAI | apr. 2025 | $2 / $8 | 62.3% | 60.1%–64.5% | #79–318 |
Se afișează SWE-bench Verified 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.