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
22.318
Ultima sincronizare
10 min
Toate sursele se sincronizează normal
  • Arena · Textacum 31 de minute
  • Arena · WebDevacum 31 de minute
  • Arena · Visionacum 31 de minute
  • Arena · Agentacum 31 de minute
  • GPQA Diamondacum 10 minute
  • SWE-benchacum 10 minute
  • Terminal-Benchacum 10 minute
  • ARC-AGI-2acum 10 minute

Fable 5.1

59±2

57interval61

Anthropicoscilație #167–#167

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) ×12 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#2–2299979199939295—100—949498—————————
167Fable 5.1Anthropic——59.2 87.0Clasat 59.2 = (1 × 87.0 + 3 × 50) ÷ 4. 87.0 este percentila medie pe cele 1 din 22 axe selectate pe care este măsurat modelul; cu cât sunt mai puține axe, cu atât tragerea spre 50 este mai puternică.57–61—1/22redusă——————————————————87————

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.