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
22.310
Ultima sincronizare
48 min
Toate sursele se sincronizează normal
  • Arena · Textacum 7 ore
  • Arena · WebDevacum 7 ore
  • Arena · Visionacum 7 ore
  • Arena · Agentacum 7 ore
  • GPQA Diamondacum 48 de minute
  • SWE-benchacum 48 de minute
  • Terminal-Benchacum 48 de minute
  • ARC-AGI-2acum 48 de minute

openai/gpt-oss-120b

55±2

52interval58

OpenAIoscilație #152–#268

gpt-oss-120b

49±0

48interval49

openaiaug. 2025oscilație #137–#464

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) ×13 din 1034 modele
ModelOrganizațieIntervalOscilațieiiiiiiiiiiiiiiiiiiiiiiAdaugă la comparație
242HyperNova 60B 2605 (High, Based on gpt-oss-120b)multiversecomputing——56.3 75.3Clasat 56.3 = (1 × 75.3 + 3 × 50) ÷ 4. 75.3 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—————————————————————75—
268openai/gpt-oss-120bOpenAI——55.2 63.1Clasat 55.2 = (2 × 63.1 + 3 × 50) ÷ 5. 63.1 este percentila medie pe cele 2 din 22 axe selectate pe care este măsurat modelul; cu cât sunt mai puține axe, cu atât tragerea spre 50 este mai puternică.52–58152/22redusă#152–268———————5671—————————————
464gpt-oss-120bopenaiaug. 2025$0.15 / $0.6048.7 48.2Clasat 48.7 = (8 × 48.2 + 3 × 50) ÷ 11. 48.2 este percentila medie pe cele 8 din 22 axe selectate pe care este măsurat modelul; cu cât sunt mai puține axe, cu atât tragerea spre 50 este mai puternică.48–49898/22#137–46450——13—————————947———72988116

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.