मॉडल परीक्षण के नतीजे
कुल मिलाकर
एक ही LiveBench सूट के नतीजों की तुलना करें। पहला कॉलम इसकी श्रेणियों का समान भार वाला औसत है; हर श्रेणी अलग से भी दिखाई गई है। ये बेंचमार्क स्कोर हैं, कोई सार्वभौमिक रेटिंग नहीं।
परीक्षण के अनुसार क्रमबद्ध करें
LiveBench · टेस्ट सूट का संस्करण 14 अक्टू॰ 2026आखिरी बार जाँचा गया 49 परीक्षित सेटिंगक्रमबद्ध करने के लिए किसी कॉलम शीर्षक पर क्लिक करें।
| # | मॉडल और सेटिंग | ||||||||
|---|---|---|---|---|---|---|---|---|---|
| 1 | 88.0 | 80.8 | 91.7 | 97.7 | 100.0 | 80.3 | 82.0 | 83.4 | |
| 2 | 86.5 | 85.0 | 92.2 | 96.3 | 80.0 | 80.3 | 85.0 | 86.9 | |
| 3 | 86.1 | 82.4 | 92.7 | 93.7 | 84.0 | 83.0 | 85.2 | 82.0 | |
| 4 | 85.4 | 73.0 | 92.6 | 96.0 | 88.0 | 82.7 | 83.5 | 82.1 | |
| 5 | 84.1 | 69.9 | 95.1 | 89.7 | 92.0 | 85.2 | 83.1 | 73.7 | |
| 6 | 83.6 | 53.2 | 89.7 | 98.3 | 92.0 | 80.5 | 86.9 | 84.7 | |
| 7 | 82.5 | 78.8 | 91.6 | 94.7 | 84.0 | 59.5 | 83.6 | 85.0 | |
| 8 | 82.1 | 62.1 | 91.2 | 90.8 | 84.0 | 74.6 | 88.9 | 83.0 | |
| 9 | 81.9 | 66.9 | 88.7 | 93.1 | 92.0 | 81.2 | 69.3 | 82.2 | |
| 10 | 79.2 | 50.9 | 89.1 | 96.0 | 76.0 | 79.5 | 79.5 | 83.4 | |
| 11 | 78.1 | 53.2 | 90.6 | 86.2 | 72.0 | 81.6 | 88.0 | 75.1 | |
| 12 | 78.0 | 40.1 | 86.7 | 90.2 | 84.0 | 79.3 | 86.8 | 79.2 | |
| 13 | 76.8 | 48.3 | 89.2 | 77.3 | 96.0 | 66.0 | 81.8 | 78.8 | |
| 14 | 76.3 | 48.5 | 91.7 | 89.7 | 88.0 | 79.8 | 54.5 | 81.6 | |
| 15 | 75.6 | 57.6 | 82.4 | 91.4 | 80.0 | 53.1 | 81.9 | 83.1 | |
| 16 | 75.0 | 48.4 | 90.6 | 86.2 | 84.0 | 79.3 | 60.4 | 76.0 | |
| 17 | 74.9 | 40.7 | 91.2 | 89.1 | 64.0 | 75.3 | 84.5 | 79.8 | |
| 18 | 74.9 | 47.5 | 79.6 | 81.5 | 88.0 | 72.3 | 76.7 | 78.5 | |
| 19 | 74.8 | 40.4 | 89.7 | 90.2 | 80.0 | 79.6 | 68.6 | 74.8 | |
| 20 | 74.1 | 50.1 | 82.7 | 84.5 | 60.0 | 76.9 | 86.4 | 78.0 |
परीक्षण के सभी कॉलम देखने के लिए横 की ओर स्क्रॉल करें।
कॉलम क्या मापते हैं
- लंबे एजेंटिक कार्य:
- कई चरणों में लंबा कोड और ऐप कार्य
- तर्क क्षमता:
- तर्क पहेलियाँ और समस्या समाधान
- कोडिंग:
- कोड लिखना और पूरा करना
- ब्राउज़र उपयोग:
- असली वेब ऐप्स में बहु-चरणीय कार्य
- डेटा विश्लेषण:
- तालिकाओं और डेटा के बारे में प्रश्न
- शोध:
- खुली शोध रिपोर्टें
- डिज़ाइन:
- दस्तावेज़ों और स्लाइडों का लेआउट और डिज़ाइन
परीक्षण और पद्धति
एक परीक्षण स्रोत: LiveBench। कॉलम इस स्रोत के हिस्से हैं, अलग-अलग बेंचमार्क नहीं। स्कोर मूल 0–100 पैमाने पर हैं। रैंकिंग के लिए इस्तेमाल होने वाला कॉलम चुनें; डैश का मतलब है कि डेटा उपलब्ध नहीं है।
हर सटीक मॉडल सेटिंग अलग रखी जाती है। किसी श्रेणी का औसत निकालने के लिए उसके सभी कामों के नतीजे चाहिए; कुल औसत के लिए सभी श्रेणियों के नतीजे चाहिए। श्रेणी के भीतर हर काम को समान भार मिलता है और कुल औसत में हर श्रेणी को समान भार मिलता है। अनुपलब्ध नतीजों को कभी शून्य नहीं माना जाता। चुने गए कॉलम के बिना गोल किए गए मानों से रैंकिंग तय होती है और बराबरी पर साझा रैंक मिलती है; खोज में पूरी परीक्षा वाली रैंक बरकरार रहती है। पुराने स्कोर से रैंकिंग तय नहीं हो सकती। दिखाए गए दशमलव किसी सार्थक अंतर का प्रमाण नहीं हैं। यह दृश्य एक परीक्षण सूट को दिखाता है, हर मौजूदा मॉडल या हर तरह की क्षमता को नहीं।
सुइट की तारीख परीक्षण संस्करण बताती है। LiveBench उस संस्करण में नए मॉडल जोड़ना और नतीजे अपडेट करना जारी रखता है; जाँच की तारीख बताती है कि हमने इसका लाइव डेटा कब लिया था।
LiveBench · स्रोत ↗अन्य परीक्षण और पुराने नतीजे →