Sari la conținut

localeBeta.label localeBeta.notice localeBeta.readInEnglish

Benchmark-uri

Surse
8
Intrări urmărite
22.863
Ultima sincronizare
12 min
Toate sursele se sincronizează normal
  • Arena · Textacum 8 ore
  • Arena · WebDevacum 8 ore
  • Arena · Visionacum 8 ore
  • Arena · Agentacum 8 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 1013 modele
ModelOrganizațieIntervalOscilațieiiiiiiiiiiiiiiiiiiiiiiAdaugă la comparație
227HyperNova 60B 2605 (High, Based on gpt-oss-120b)multiversecomputing——56.3Clasat 56.3 = (1 × 75.4 + 3 × 50) ÷ 4. 75.4 este Media: 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.—75.4—1/22redusă—————————————————————75—

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.