نتایج آزمون مدل‌ها

مقایسه مدل‌های هوش مصنوعی

بررسی روزانه

نتایج را مقایسه کنید، با نقاط قوت مختلف آشنا شوید و مدل‌هایی فراتر از نام‌های آشنا کشف کنید.

LiveBench مدل‌ها را با وظایفی می‌سنجد که پاسخ‌هایشان قابل‌تأیید است. امتیاز بالاتر بهتر است؛ مقیاس از ۰ تا ۱۰۰ است.

آخرین بررسی: ۳۰ مهر ۱۴۰۵نسخه مجموعه آزمون: 2026-10-1449 مدل

1Claude Fable 5.1Anthropic۸۷٫۹۸۶

claude-fable-5.1

وظایف عاملی طولانی: ۸۰٫۸۰۰ / 100
استدلال: ۹۱٫۷۰۰ / 100
کدنویسی: ۹۷٫۷۰۰ / 100
استفاده از مرورگر: ۱۰۰٫۰۰۰ / 100
تحلیل داده: ۸۰٫۳۰۰ / 100
پژوهش: ۸۲٫۰۰۰ / 100
طراحی: ۸۳٫۴۰۰ / 100

وظایف جداگانه

long_agentic: ۸۰٫۸۰۰
reasoning: ۹۱٫۷۰۰
coding: ۹۷٫۷۰۰
browser: ۱۰۰٫۰۰۰
data_analysis: ۸۰٫۳۰۰
research: ۸۲٫۰۰۰
design: ۸۳٫۴۰۰

منبع: LiveBench ↗

2Claude Opus 5.5Anthropic۸۶٫۵۲۹

claude-opus-5.5

وظایف عاملی طولانی: ۸۵٫۰۰۰ / 100
استدلال: ۹۲٫۲۰۰ / 100
کدنویسی: ۹۶٫۳۰۰ / 100
استفاده از مرورگر: ۸۰٫۰۰۰ / 100
تحلیل داده: ۸۰٫۳۰۰ / 100
پژوهش: ۸۵٫۰۰۰ / 100
طراحی: ۸۶٫۹۰۰ / 100

وظایف جداگانه

long_agentic: ۸۵٫۰۰۰
reasoning: ۹۲٫۲۰۰
coding: ۹۶٫۳۰۰
browser: ۸۰٫۰۰۰
data_analysis: ۸۰٫۳۰۰
research: ۸۵٫۰۰۰
design: ۸۶٫۹۰۰

منبع: LiveBench ↗

3GPT-6 AstraOpenAI۸۶٫۱۴۳

gpt-6-astra

وظایف عاملی طولانی: ۸۲٫۴۰۰ / 100
استدلال: ۹۲٫۷۰۰ / 100
کدنویسی: ۹۳٫۷۰۰ / 100
استفاده از مرورگر: ۸۴٫۰۰۰ / 100
تحلیل داده: ۸۳٫۰۰۰ / 100
پژوهش: ۸۵٫۲۰۰ / 100
طراحی: ۸۲٫۰۰۰ / 100

وظایف جداگانه

long_agentic: ۸۲٫۴۰۰
reasoning: ۹۲٫۷۰۰
coding: ۹۳٫۷۰۰
browser: ۸۴٫۰۰۰
data_analysis: ۸۳٫۰۰۰
research: ۸۵٫۲۰۰
design: ۸۲٫۰۰۰

منبع: LiveBench ↗

4GPT-6.1 SolOpenAI۸۵٫۴۱۴

gpt-6.1-sol

وظایف عاملی طولانی: ۷۳٫۰۰۰ / 100
استدلال: ۹۲٫۶۰۰ / 100
کدنویسی: ۹۶٫۰۰۰ / 100
استفاده از مرورگر: ۸۸٫۰۰۰ / 100
تحلیل داده: ۸۲٫۷۰۰ / 100
پژوهش: ۸۳٫۵۰۰ / 100
طراحی: ۸۲٫۱۰۰ / 100

وظایف جداگانه

long_agentic: ۷۳٫۰۰۰
reasoning: ۹۲٫۶۰۰
coding: ۹۶٫۰۰۰
browser: ۸۸٫۰۰۰
data_analysis: ۸۲٫۷۰۰
research: ۸۳٫۵۰۰
design: ۸۲٫۱۰۰

منبع: LiveBench ↗

5Gemini 4 ArgonGoogle۸۴٫۱۰۰

gemini-4-argon

وظایف عاملی طولانی: ۶۹٫۹۰۰ / 100
استدلال: ۹۵٫۱۰۰ / 100
کدنویسی: ۸۹٫۷۰۰ / 100
استفاده از مرورگر: ۹۲٫۰۰۰ / 100
تحلیل داده: ۸۵٫۲۰۰ / 100
پژوهش: ۸۳٫۱۰۰ / 100
طراحی: ۷۳٫۷۰۰ / 100

وظایف جداگانه

long_agentic: ۶۹٫۹۰۰
reasoning: ۹۵٫۱۰۰
coding: ۸۹٫۷۰۰
browser: ۹۲٫۰۰۰
data_analysis: ۸۵٫۲۰۰
research: ۸۳٫۱۰۰
design: ۷۳٫۷۰۰

منبع: LiveBench ↗

6Claude Fable 5Anthropic۸۳٫۶۱۴

claude-fable-5

وظایف عاملی طولانی: ۵۳٫۲۰۰ / 100
استدلال: ۸۹٫۷۰۰ / 100
کدنویسی: ۹۸٫۳۰۰ / 100
استفاده از مرورگر: ۹۲٫۰۰۰ / 100
تحلیل داده: ۸۰٫۵۰۰ / 100
پژوهش: ۸۶٫۹۰۰ / 100
طراحی: ۸۴٫۷۰۰ / 100

وظایف جداگانه

long_agentic: ۵۳٫۲۰۰
reasoning: ۸۹٫۷۰۰
coding: ۹۸٫۳۰۰
browser: ۹۲٫۰۰۰
data_analysis: ۸۰٫۵۰۰
research: ۸۶٫۹۰۰
design: ۸۴٫۷۰۰

منبع: LiveBench ↗

7Claude Sonnet 5.5Anthropic۸۲٫۴۵۷

claude-sonnet-5.5

وظایف عاملی طولانی: ۷۸٫۸۰۰ / 100
استدلال: ۹۱٫۶۰۰ / 100
کدنویسی: ۹۴٫۷۰۰ / 100
استفاده از مرورگر: ۸۴٫۰۰۰ / 100
تحلیل داده: ۵۹٫۵۰۰ / 100
پژوهش: ۸۳٫۶۰۰ / 100
طراحی: ۸۵٫۰۰۰ / 100

وظایف جداگانه

long_agentic: ۷۸٫۸۰۰
reasoning: ۹۱٫۶۰۰
coding: ۹۴٫۷۰۰
browser: ۸۴٫۰۰۰
data_analysis: ۵۹٫۵۰۰
research: ۸۳٫۶۰۰
design: ۸۵٫۰۰۰

منبع: LiveBench ↗

8Claude Opus 5Anthropic۸۲٫۰۸۶

claude-opus-5

وظایف عاملی طولانی: ۶۲٫۱۰۰ / 100
استدلال: ۹۱٫۲۰۰ / 100
کدنویسی: ۹۰٫۸۰۰ / 100
استفاده از مرورگر: ۸۴٫۰۰۰ / 100
تحلیل داده: ۷۴٫۶۰۰ / 100
پژوهش: ۸۸٫۹۰۰ / 100
طراحی: ۸۳٫۰۰۰ / 100

وظایف جداگانه

long_agentic: ۶۲٫۱۰۰
reasoning: ۹۱٫۲۰۰
coding: ۹۰٫۸۰۰
browser: ۸۴٫۰۰۰
data_analysis: ۷۴٫۶۰۰
research: ۸۸٫۹۰۰
design: ۸۳٫۰۰۰

منبع: LiveBench ↗

9GPT-6 SolOpenAI۸۱٫۹۱۴

gpt-6-sol

وظایف عاملی طولانی: ۶۶٫۹۰۰ / 100
استدلال: ۸۸٫۷۰۰ / 100
کدنویسی: ۹۳٫۱۰۰ / 100
استفاده از مرورگر: ۹۲٫۰۰۰ / 100
تحلیل داده: ۸۱٫۲۰۰ / 100
پژوهش: ۶۹٫۳۰۰ / 100
طراحی: ۸۲٫۲۰۰ / 100

وظایف جداگانه

long_agentic: ۶۶٫۹۰۰
reasoning: ۸۸٫۷۰۰
coding: ۹۳٫۱۰۰
browser: ۹۲٫۰۰۰
data_analysis: ۸۱٫۲۰۰
research: ۶۹٫۳۰۰
design: ۸۲٫۲۰۰

منبع: LiveBench ↗

10DeepSeek V4.1 Flash 1017DeepSeek۷۹٫۲۰۰

deepseek-v4.1-flash-1017

وظایف عاملی طولانی: ۵۰٫۹۰۰ / 100
استدلال: ۸۹٫۱۰۰ / 100
کدنویسی: ۹۶٫۰۰۰ / 100
استفاده از مرورگر: ۷۶٫۰۰۰ / 100
تحلیل داده: ۷۹٫۵۰۰ / 100
پژوهش: ۷۹٫۵۰۰ / 100
طراحی: ۸۳٫۴۰۰ / 100

وظایف جداگانه

long_agentic: ۵۰٫۹۰۰
reasoning: ۸۹٫۱۰۰
coding: ۹۶٫۰۰۰
browser: ۷۶٫۰۰۰
data_analysis: ۷۹٫۵۰۰
research: ۷۹٫۵۰۰
design: ۸۳٫۴۰۰

منبع: LiveBench ↗

11Muse Wonder 1.0Meta۷۸٫۱۰۰

muse-wonder-1.0

وظایف عاملی طولانی: ۵۳٫۲۰۰ / 100
استدلال: ۹۰٫۶۰۰ / 100
کدنویسی: ۸۶٫۲۰۰ / 100
استفاده از مرورگر: ۷۲٫۰۰۰ / 100
تحلیل داده: ۸۱٫۶۰۰ / 100
پژوهش: ۸۸٫۰۰۰ / 100
طراحی: ۷۵٫۱۰۰ / 100

وظایف جداگانه

long_agentic: ۵۳٫۲۰۰
reasoning: ۹۰٫۶۰۰
coding: ۸۶٫۲۰۰
browser: ۷۲٫۰۰۰
data_analysis: ۸۱٫۶۰۰
research: ۸۸٫۰۰۰
design: ۷۵٫۱۰۰

منبع: LiveBench ↗

12DeepSeek V4.1 FlashDeepSeek۷۸٫۰۴۳

deepseek-v4.1-flash

وظایف عاملی طولانی: ۴۰٫۱۰۰ / 100
استدلال: ۸۶٫۷۰۰ / 100
کدنویسی: ۹۰٫۲۰۰ / 100
استفاده از مرورگر: ۸۴٫۰۰۰ / 100
تحلیل داده: ۷۹٫۳۰۰ / 100
پژوهش: ۸۶٫۸۰۰ / 100
طراحی: ۷۹٫۲۰۰ / 100

وظایف جداگانه

long_agentic: ۴۰٫۱۰۰
reasoning: ۸۶٫۷۰۰
coding: ۹۰٫۲۰۰
browser: ۸۴٫۰۰۰
data_analysis: ۷۹٫۳۰۰
research: ۸۶٫۸۰۰
design: ۷۹٫۲۰۰

منبع: LiveBench ↗

13Claude Opus 4.8Anthropic۷۶٫۷۷۱

claude-opus-4.8

وظایف عاملی طولانی: ۴۸٫۳۰۰ / 100
استدلال: ۸۹٫۲۰۰ / 100
کدنویسی: ۷۷٫۳۰۰ / 100
استفاده از مرورگر: ۹۶٫۰۰۰ / 100
تحلیل داده: ۶۶٫۰۰۰ / 100
پژوهش: ۸۱٫۸۰۰ / 100
طراحی: ۷۸٫۸۰۰ / 100

وظایف جداگانه

long_agentic: ۴۸٫۳۰۰
reasoning: ۸۹٫۲۰۰
coding: ۷۷٫۳۰۰
browser: ۹۶٫۰۰۰
data_analysis: ۶۶٫۰۰۰
research: ۸۱٫۸۰۰
design: ۷۸٫۸۰۰

منبع: LiveBench ↗

14GPT-5.6 SolOpenAI۷۶٫۲۵۷

gpt-5.6-sol

وظایف عاملی طولانی: ۴۸٫۵۰۰ / 100
استدلال: ۹۱٫۷۰۰ / 100
کدنویسی: ۸۹٫۷۰۰ / 100
استفاده از مرورگر: ۸۸٫۰۰۰ / 100
تحلیل داده: ۷۹٫۸۰۰ / 100
پژوهش: ۵۴٫۵۰۰ / 100
طراحی: ۸۱٫۶۰۰ / 100

وظایف جداگانه

long_agentic: ۴۸٫۵۰۰
reasoning: ۹۱٫۷۰۰
coding: ۸۹٫۷۰۰
browser: ۸۸٫۰۰۰
data_analysis: ۷۹٫۸۰۰
research: ۵۴٫۵۰۰
design: ۸۱٫۶۰۰

منبع: LiveBench ↗

15Claude Haiku 5.5Anthropic۷۵٫۶۴۳

claude-haiku-5.5

وظایف عاملی طولانی: ۵۷٫۶۰۰ / 100
استدلال: ۸۲٫۴۰۰ / 100
کدنویسی: ۹۱٫۴۰۰ / 100
استفاده از مرورگر: ۸۰٫۰۰۰ / 100
تحلیل داده: ۵۳٫۱۰۰ / 100
پژوهش: ۸۱٫۹۰۰ / 100
طراحی: ۸۳٫۱۰۰ / 100

وظایف جداگانه

long_agentic: ۵۷٫۶۰۰
reasoning: ۸۲٫۴۰۰
coding: ۹۱٫۴۰۰
browser: ۸۰٫۰۰۰
data_analysis: ۵۳٫۱۰۰
research: ۸۱٫۹۰۰
design: ۸۳٫۱۰۰

منبع: LiveBench ↗

16GPT-5.6 TerraOpenAI۷۴٫۹۸۶

gpt-5.6-terra

وظایف عاملی طولانی: ۴۸٫۴۰۰ / 100
استدلال: ۹۰٫۶۰۰ / 100
کدنویسی: ۸۶٫۲۰۰ / 100
استفاده از مرورگر: ۸۴٫۰۰۰ / 100
تحلیل داده: ۷۹٫۳۰۰ / 100
پژوهش: ۶۰٫۴۰۰ / 100
طراحی: ۷۶٫۰۰۰ / 100

وظایف جداگانه

long_agentic: ۴۸٫۴۰۰
reasoning: ۹۰٫۶۰۰
coding: ۸۶٫۲۰۰
browser: ۸۴٫۰۰۰
data_analysis: ۷۹٫۳۰۰
research: ۶۰٫۴۰۰
design: ۷۶٫۰۰۰

منبع: LiveBench ↗

17Grok 4.6 xHighxAI۷۴٫۹۴۳

grok-4.6

وظایف عاملی طولانی: ۴۰٫۷۰۰ / 100
استدلال: ۹۱٫۲۰۰ / 100
کدنویسی: ۸۹٫۱۰۰ / 100
استفاده از مرورگر: ۶۴٫۰۰۰ / 100
تحلیل داده: ۷۵٫۳۰۰ / 100
پژوهش: ۸۴٫۵۰۰ / 100
طراحی: ۷۹٫۸۰۰ / 100

وظایف جداگانه

long_agentic: ۴۰٫۷۰۰
reasoning: ۹۱٫۲۰۰
coding: ۸۹٫۱۰۰
browser: ۶۴٫۰۰۰
data_analysis: ۷۵٫۳۰۰
research: ۸۴٫۵۰۰
design: ۷۹٫۸۰۰

منبع: LiveBench ↗

18MiMo V2.6 ProXiaomi۷۴٫۸۷۱

mimo-v2.6-pro

وظایف عاملی طولانی: ۴۷٫۵۰۰ / 100
استدلال: ۷۹٫۶۰۰ / 100
کدنویسی: ۸۱٫۵۰۰ / 100
استفاده از مرورگر: ۸۸٫۰۰۰ / 100
تحلیل داده: ۷۲٫۳۰۰ / 100
پژوهش: ۷۶٫۷۰۰ / 100
طراحی: ۷۸٫۵۰۰ / 100

وظایف جداگانه

long_agentic: ۴۷٫۵۰۰
reasoning: ۷۹٫۶۰۰
coding: ۸۱٫۵۰۰
browser: ۸۸٫۰۰۰
data_analysis: ۷۲٫۳۰۰
research: ۷۶٫۷۰۰
design: ۷۸٫۵۰۰

منبع: LiveBench ↗

19Muse Spark 1.3Meta۷۴٫۷۵۷

muse-spark-1.3

وظایف عاملی طولانی: ۴۰٫۴۰۰ / 100
استدلال: ۸۹٫۷۰۰ / 100
کدنویسی: ۹۰٫۲۰۰ / 100
استفاده از مرورگر: ۸۰٫۰۰۰ / 100
تحلیل داده: ۷۹٫۶۰۰ / 100
پژوهش: ۶۸٫۶۰۰ / 100
طراحی: ۷۴٫۸۰۰ / 100

وظایف جداگانه

long_agentic: ۴۰٫۴۰۰
reasoning: ۸۹٫۷۰۰
coding: ۹۰٫۲۰۰
browser: ۸۰٫۰۰۰
data_analysis: ۷۹٫۶۰۰
research: ۶۸٫۶۰۰
design: ۷۴٫۸۰۰

منبع: LiveBench ↗

20Grok 4.7xAI۷۴٫۰۸۶

grok-4.7

وظایف عاملی طولانی: ۵۰٫۱۰۰ / 100
استدلال: ۸۲٫۷۰۰ / 100
کدنویسی: ۸۴٫۵۰۰ / 100
استفاده از مرورگر: ۶۰٫۰۰۰ / 100
تحلیل داده: ۷۶٫۹۰۰ / 100
پژوهش: ۸۶٫۴۰۰ / 100
طراحی: ۷۸٫۰۰۰ / 100

وظایف جداگانه

long_agentic: ۵۰٫۱۰۰
reasoning: ۸۲٫۷۰۰
coding: ۸۴٫۵۰۰
browser: ۶۰٫۰۰۰
data_analysis: ۷۶٫۹۰۰
research: ۸۶٫۴۰۰
design: ۷۸٫۰۰۰

منبع: LiveBench ↗

رتبه‌بندی بر اساس نتایج گردنشده انجام شده است. امتیازهای مشابه، به‌تنهایی نشان‌دهنده تفاوت معنادار نیستند.

هر تنظیم دقیق مدل جداگانه نگه داشته می‌شود. محاسبهٔ میانگین یک دسته به نتیجهٔ همهٔ وظایف آن دسته نیاز دارد؛ میانگین کل نیز به همهٔ دسته‌ها نیاز دارد. وزن وظایف در هر دسته برابر است و وزن دسته‌ها در میانگین کل نیز برابر در نظر گرفته می‌شود. نتایج ناموجود هرگز صفر محسوب نمی‌شوند. جایگاه‌ها بر اساس مقادیر گردنشدهٔ ستون انتخابی و با جایگاه مشترک برای امتیازهای برابر تعیین می‌شوند؛ جست‌وجو جایگاه در آزمون کامل را حفظ می‌کند. امتیازهای قدیمی در تعیین جایگاه نقشی ندارند. اختلاف در ارقام اعشاریِ نمایش‌داده‌شده به‌تنهایی نشان‌دهندهٔ تفاوت معنادار نیست. این نما فقط یک مجموعه‌آزمون را پوشش می‌دهد، نه همهٔ مدل‌های فعلی یا همهٔ انواع توانایی را.

روش مقایسه

امتیاز کلی نمایش‌داده‌شده در اینجا، میانگین با وزن برابرِ همه دسته‌های LiveBench در یک نسخه از همان بنچمارک است. محاسبه امتیاز کلی به نتیجه برای هر وظیفه نیاز دارد. امتیازهای Arena جداگانه ارائه می‌شوند، چون ترجیح کاربران را می‌سنجند. مدل‌هایی با نام‌های مشابه را از منابع مختلف با هم تطبیق نمی‌دهیم؛ نسخه‌ها و تنظیمات استدلال ممکن است متفاوت باشند. این آزمون‌ها همه مدل‌ها یا همه وظایف دنیای واقعی را پوشش نمی‌دهند.

داده‌های منبع: LiveBench؛ Arena / LMArena (CC BY 4.0). Oossa میانگین‌های وظیفه‌ای نمایش‌داده‌شده را محاسبه می‌کند و نتایج را در قالبی ساده‌تر ارائه می‌دهد. Arena ↗ · منبع ↗ · CC BY 4.0 ↗