OpenHands + CodeAct v2.1 (claude-3-5-sonnet-20241022)
49±0
49interval50
aiqbench · Benchmark-uri LLM
Benchmark-uri
- Surse
- 8
- Intrări urmărite
- 22.310
- Ultima sincronizare
- 35 minacum 35 de minute
Toate sursele se sincronizează normal
- Arena · Text· acum 1 oră
- Arena · WebDev· acum 1 oră
- Arena · Vision· acum 1 oră
- Arena · Agent· acum 1 oră
- GPQA Diamond· acum 35 de minute
- SWE-bench· acum 35 de minute
- Terminal-Bench· acum 35 de minute
- ARC-AGI-2· acum 35 de minute
Filtrează după organizație:
Lansat:
claude-3-5-sonnet-20241022
43±1
41interval44
O singură grilă, toate coloanele. Alege axe din panoul Axe — o axă clasifică precum un singur clasament, mai multe se combină într-un scor compus ponderat, toate la un loc se citesc ca indexul. Locul este atribuit înaintea oricărui filtru și nu se renumerotează niciodată.
| Model | Organizație | Interval | Oscilație | i | i | i | i | i | i | i | i | i | i | i | i | i | i | i | i | i | i | i | i | i | i | Adaugă la comparație | |||||||
|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|
| 431 | OpenHands + CodeAct v2.1 (claude-3-5-sonnet-20241022) | — | — | — | 49.4 47.7Clasat 49.4 = (1 × 47.7 + 3 × 50) ÷ 4. 47.7 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. | — | — | 1/22redusă | — | — | — | — | — | — | — | — | — | — | — | — | — | — | — | — | — | 48 | — | — | — | — | — | ||
| 657 | claude-3-5-sonnet-20241022 | anthropic | iun. 2024 | — | 43.0 41.0Clasat 43.0 = (11 × 41.0 + 3 × 50) ÷ 14. 41.0 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. | 41–44 | 61 | 11/22 | #126–657 | 55 | — | 36 | — | — | — | — | 38 | 25 | 22 | — | — | 7 | 37 | 61 | — | 68 | — | 57 | 48 | — | — |
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