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
11 min
Toate sursele se sincronizează normal
  • Arena · Textacum 51 de minute
  • Arena · WebDevacum 50 de minute
  • Arena · Visionacum 50 de minute
  • Arena · Agentacum 50 de minute
  • GPQA Diamondacum 11 minute
  • SWE-benchacum 11 minute
  • Terminal-Benchacum 11 minute
  • ARC-AGI-2acum 11 minute

qwen3.5-flash

43±2

40interval45

alibabafeb. 2026oscilație #121–#660

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 1034 modele
ModelOrganizațieIntervalOscilațieiiiiiiiiiiiiiiiiiiiiiiAdaugă la comparație
660qwen3.5-flashalibabafeb. 2026$0.07 / $0.2642.9 40.2Clasat 42.9 = (8 × 40.2 + 3 × 50) ÷ 11. 40.2 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.40–45518/22#121–6606212—24———63633917——————————42

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.