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
37.660
Ultima sincronizare
23 min
Toate sursele se sincronizează normal
  • Arena · Textacum 10 ore
  • Arena · WebDevacum 10 ore
  • Arena · Visionacum 10 ore
  • Arena · Agentacum 10 ore
  • GPQA Diamondacum 23 de minute
  • SWE-benchacum 23 de minute
  • Terminal-Benchacum 23 de minute
  • ARC-AGI-2acum 23 de 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) ×0inactivSWE-bench Verified (clasament live) ×1Terminal-Bench 4.0 ×1MMLU-Pro (Artificial Analysis) ×1LiveCodeBench (Artificial Analysis) ×1IFBench (Artificial Analysis) ×1Halucinații HHEM (Vectara) ×11 din 431 modele

587 de modele care nu sunt disponibile azi sunt lăsate în afara acestui clasament.

ModelOrganizațieIntervalOscilațieiiiiiiiiiiiiiiiiiiiiiiAdaugă la comparație
104Urcă 2 locuri din 27 oct. (era #106)Nvidia Nemotron 3 Ultra 550b A55bnvidia≈oct. 2026—53.9Clasat 53.9 = (2 × 59.7 + 3 × 50) ÷ 5. 59.7 este Media: percentila medie pe cele 2 din 21 axe selectate pe care este măsurat modelul; cu cât sunt mai puține axe, cu atât tragerea spre 50 este mai puternică.51–5659.7322/21redusă#59–10576——44——————————————————

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

Sursă: Artificial Analysis (artificialanalysis.ai) · scoruri republicate cu atribuire prin setul de date Every Eval Ever (CC BY 4.0)

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.