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
7 min
Toate sursele se sincronizează normal
  • Arena · Textacum 11 ore
  • Arena · WebDevacum 11 ore
  • Arena · Visionacum 11 ore
  • Arena · Agentacum 11 ore
  • GPQA Diamondacum 8 minute
  • SWE-benchacum 7 minute
  • Terminal-Benchacum 7 minute
  • ARC-AGI-2acum 7 minute

GPT-o1

89.3%

niciun interval publicat

MMLU-Pro (TIGER-Lab) ×1251 din 251 modele
ModelOrganizație± CIOscilațieAdaugă la comparație
1Gemini-3.1-Pro———91.2%——
2Gemini-3-Pro(11/25)—ian. 2026—90.1%—#23–90
3GPT-o1———89.3%——
4Claude-4.6-Opus(Thinking)——$5 / $2589.1%——
5Gemini-3-Flash(12/25)—ian. 2026—88.6%—#38–153
6MiniMax-M2.1—dec. 2025$0.30 / $1.2088.0%—#34–201
7Qwen3.5-397B-A17B—feb. 2026$0.50 / $3.6087.8%—#63–174
8Seed2.0-Lite———87.7%——
9GPT-5.4—sept. 2026$2.50 / $1587.5%—#12–29
10Claude-4.5-Sonnet(Thinking)——$3 / $1587.4%——
11GPT-5.2—dec. 2025$1.75 / $1487.4%—#34–92
12Claude-4-Opus-Thinking———87.3%——
13Claude-4.5-Opus(Thinking)——$5 / $2587.3%——
14Claude-4.6-Sonnet(Thinking)——$3 / $1587.3%——
15Hunyuan-T1—iul. 2025—87.2%—#152–359
16GPT-5(high)—aug. 2025$1.25 / $1087.1%—#64–149
17K2.5-1T-A32B———87.1%——
18Grok-4———87.0%——
19Seed-Thinking-v1.5———87.0%——
20Seed2.0-Pro———87.0%——
21Qwen3.5-122B-A10B—feb. 2026$0.26 / $2.0886.7%—#105–367
22Seed1.6-Base———86.6%——
23Seed1.6-Thinking———86.6%——
24GPT-5.1—nov. 2025$1.25 / $1086.4%—#45–242
25Seed1.6-Ada-Thinking———86.4%——
26Gemini-3.1-Flash-Lite-Preview—oct. 2026$0.25 / $1.5086.2%—#109–350
27GPT-4.5———86.1%——
28Qwen3.5-27B—feb. 2026$0.26 / $2.6086.1%—#109–442
29Gemini-2.5-Pro—iun. 2025$1.25 / $1086.0%—#60–432
30GLM-5—feb. 2026$1 / $3.2086.0%—#57–153
31Qwen3-Max-Thinking——$0.78 / $3.9085.7%——
32Qwen3.5-35B-A3B—feb. 2026$0.15 / $185.3%—#134–455
33DeepSeek-V3.2-Thinking—oct. 2026—85.0%—#103–345
34GPT-o3-high———85.0%——
35DeepSeek-V3.1-Thinking—oct. 2026—84.8%—#106–291

Se afișează MMLU-Pro (TIGER-Lab) 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.