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
12 min
Toate sursele se sincronizează normal
  • Arena · Textacum 11 ore
  • Arena · WebDevacum 11 ore
  • Arena · Visionacum 11 ore
  • Arena · Agentacum 11 ore
  • GPQA Diamondacum 12 minute
  • SWE-benchacum 12 minute
  • Terminal-Benchacum 12 minute
  • ARC-AGI-2acum 12 minute
General ×1WebDev Arena ×1Vision Arena ×1Factuality Arena ×1Search Arena ×1Document Arena ×1Agent Arena ×1GPQA Diamond ×1AIME (matematică) ×1FrontierMath ×1SimpleQA Verified ×1ARC-AGI-2 ×1Humanity's Last Exam ×1SimpleBench ×1LiveBench ×1BFCL v4 (apelare de funcții) ×1inactivSWE-bench Verified (clasament live) ×1Terminal-Bench 4.0 ×1MMLU-Pro (Artificial Analysis) ×1LiveCodeBench (Artificial Analysis) ×1IFBench (Artificial Analysis) ×1Halucinații HHEM (Vectara) ×11 din 1034 modele
ModelOrganizațieIntervalOscilațieiiiiiiiiiiiiiiiiiiiiiiAdaugă la comparație
2Claude Fable 5.1 (Max)anthropicsept. 2026$10 / $5085.8 95.5Clasat 85.8 = (11 × 95.5 + 3 × 50) ÷ 14. 95.5 este percentila medie pe cele 11 din 22 axe selectate pe care este măsurat modelul; cu cât sunt mai puține axe, cu atât tragerea spre 50 este mai puternică.81–88911/22#2–2199979199939295—100—949498—————————

Mixul este contractat după acoperire; scorul compus brut apare gri lângă el · O insignă „redusă” înseamnă că mai puțin de 3 clasamente au evaluat acest model

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.