मॉडल परीक्षण के नतीजे

एआई मॉडल की तुलना करें

हर दिन जाँचा जाता है

नतीजों की तुलना करें, अलग-अलग खूबियाँ जानें और जाने-पहचाने नामों से आगे के मॉडल खोजें।

LiveBench ऐसे कार्यों पर मॉडल जाँचता है जिनके जवाब सत्यापित किए जा सकते हैं। 0 से 100 के पैमाने पर अधिक अंक बेहतर हैं।

आखिरी बार जाँचा गया: 22 अक्टू॰ 2026टेस्ट सूट का संस्करण: 2026-10-1449 मॉडल

1Claude Fable 5.1Anthropic87.986

claude-fable-5.1

लंबे एजेंटिक कार्य: 80.800 / 100
तर्क क्षमता: 91.700 / 100
कोडिंग: 97.700 / 100
ब्राउज़र उपयोग: 100.000 / 100
डेटा विश्लेषण: 80.300 / 100
शोध: 82.000 / 100
डिज़ाइन: 83.400 / 100

अलग-अलग कार्य

long_agentic: 80.800
reasoning: 91.700
coding: 97.700
browser: 100.000
data_analysis: 80.300
research: 82.000
design: 83.400

स्रोत: LiveBench ↗

2Claude Opus 5.5Anthropic86.529

claude-opus-5.5

लंबे एजेंटिक कार्य: 85.000 / 100
तर्क क्षमता: 92.200 / 100
कोडिंग: 96.300 / 100
ब्राउज़र उपयोग: 80.000 / 100
डेटा विश्लेषण: 80.300 / 100
शोध: 85.000 / 100
डिज़ाइन: 86.900 / 100

अलग-अलग कार्य

long_agentic: 85.000
reasoning: 92.200
coding: 96.300
browser: 80.000
data_analysis: 80.300
research: 85.000
design: 86.900

स्रोत: LiveBench ↗

3GPT-6 AstraOpenAI86.143

gpt-6-astra

लंबे एजेंटिक कार्य: 82.400 / 100
तर्क क्षमता: 92.700 / 100
कोडिंग: 93.700 / 100
ब्राउज़र उपयोग: 84.000 / 100
डेटा विश्लेषण: 83.000 / 100
शोध: 85.200 / 100
डिज़ाइन: 82.000 / 100

अलग-अलग कार्य

long_agentic: 82.400
reasoning: 92.700
coding: 93.700
browser: 84.000
data_analysis: 83.000
research: 85.200
design: 82.000

स्रोत: LiveBench ↗

4GPT-6.1 SolOpenAI85.414

gpt-6.1-sol

लंबे एजेंटिक कार्य: 73.000 / 100
तर्क क्षमता: 92.600 / 100
कोडिंग: 96.000 / 100
ब्राउज़र उपयोग: 88.000 / 100
डेटा विश्लेषण: 82.700 / 100
शोध: 83.500 / 100
डिज़ाइन: 82.100 / 100

अलग-अलग कार्य

long_agentic: 73.000
reasoning: 92.600
coding: 96.000
browser: 88.000
data_analysis: 82.700
research: 83.500
design: 82.100

स्रोत: LiveBench ↗

5Gemini 4 ArgonGoogle84.100

gemini-4-argon

लंबे एजेंटिक कार्य: 69.900 / 100
तर्क क्षमता: 95.100 / 100
कोडिंग: 89.700 / 100
ब्राउज़र उपयोग: 92.000 / 100
डेटा विश्लेषण: 85.200 / 100
शोध: 83.100 / 100
डिज़ाइन: 73.700 / 100

अलग-अलग कार्य

long_agentic: 69.900
reasoning: 95.100
coding: 89.700
browser: 92.000
data_analysis: 85.200
research: 83.100
design: 73.700

स्रोत: LiveBench ↗

6Claude Fable 5Anthropic83.614

claude-fable-5

लंबे एजेंटिक कार्य: 53.200 / 100
तर्क क्षमता: 89.700 / 100
कोडिंग: 98.300 / 100
ब्राउज़र उपयोग: 92.000 / 100
डेटा विश्लेषण: 80.500 / 100
शोध: 86.900 / 100
डिज़ाइन: 84.700 / 100

अलग-अलग कार्य

long_agentic: 53.200
reasoning: 89.700
coding: 98.300
browser: 92.000
data_analysis: 80.500
research: 86.900
design: 84.700

स्रोत: LiveBench ↗

7Claude Sonnet 5.5Anthropic82.457

claude-sonnet-5.5

लंबे एजेंटिक कार्य: 78.800 / 100
तर्क क्षमता: 91.600 / 100
कोडिंग: 94.700 / 100
ब्राउज़र उपयोग: 84.000 / 100
डेटा विश्लेषण: 59.500 / 100
शोध: 83.600 / 100
डिज़ाइन: 85.000 / 100

अलग-अलग कार्य

long_agentic: 78.800
reasoning: 91.600
coding: 94.700
browser: 84.000
data_analysis: 59.500
research: 83.600
design: 85.000

स्रोत: LiveBench ↗

8Claude Opus 5Anthropic82.086

claude-opus-5

लंबे एजेंटिक कार्य: 62.100 / 100
तर्क क्षमता: 91.200 / 100
कोडिंग: 90.800 / 100
ब्राउज़र उपयोग: 84.000 / 100
डेटा विश्लेषण: 74.600 / 100
शोध: 88.900 / 100
डिज़ाइन: 83.000 / 100

अलग-अलग कार्य

long_agentic: 62.100
reasoning: 91.200
coding: 90.800
browser: 84.000
data_analysis: 74.600
research: 88.900
design: 83.000

स्रोत: LiveBench ↗

9GPT-6 SolOpenAI81.914

gpt-6-sol

लंबे एजेंटिक कार्य: 66.900 / 100
तर्क क्षमता: 88.700 / 100
कोडिंग: 93.100 / 100
ब्राउज़र उपयोग: 92.000 / 100
डेटा विश्लेषण: 81.200 / 100
शोध: 69.300 / 100
डिज़ाइन: 82.200 / 100

अलग-अलग कार्य

long_agentic: 66.900
reasoning: 88.700
coding: 93.100
browser: 92.000
data_analysis: 81.200
research: 69.300
design: 82.200

स्रोत: LiveBench ↗

10DeepSeek V4.1 Flash 1017DeepSeek79.200

deepseek-v4.1-flash-1017

लंबे एजेंटिक कार्य: 50.900 / 100
तर्क क्षमता: 89.100 / 100
कोडिंग: 96.000 / 100
ब्राउज़र उपयोग: 76.000 / 100
डेटा विश्लेषण: 79.500 / 100
शोध: 79.500 / 100
डिज़ाइन: 83.400 / 100

अलग-अलग कार्य

long_agentic: 50.900
reasoning: 89.100
coding: 96.000
browser: 76.000
data_analysis: 79.500
research: 79.500
design: 83.400

स्रोत: LiveBench ↗

11Muse Wonder 1.0Meta78.100

muse-wonder-1.0

लंबे एजेंटिक कार्य: 53.200 / 100
तर्क क्षमता: 90.600 / 100
कोडिंग: 86.200 / 100
ब्राउज़र उपयोग: 72.000 / 100
डेटा विश्लेषण: 81.600 / 100
शोध: 88.000 / 100
डिज़ाइन: 75.100 / 100

अलग-अलग कार्य

long_agentic: 53.200
reasoning: 90.600
coding: 86.200
browser: 72.000
data_analysis: 81.600
research: 88.000
design: 75.100

स्रोत: LiveBench ↗

12DeepSeek V4.1 FlashDeepSeek78.043

deepseek-v4.1-flash

लंबे एजेंटिक कार्य: 40.100 / 100
तर्क क्षमता: 86.700 / 100
कोडिंग: 90.200 / 100
ब्राउज़र उपयोग: 84.000 / 100
डेटा विश्लेषण: 79.300 / 100
शोध: 86.800 / 100
डिज़ाइन: 79.200 / 100

अलग-अलग कार्य

long_agentic: 40.100
reasoning: 86.700
coding: 90.200
browser: 84.000
data_analysis: 79.300
research: 86.800
design: 79.200

स्रोत: LiveBench ↗

13Claude Opus 4.8Anthropic76.771

claude-opus-4.8

लंबे एजेंटिक कार्य: 48.300 / 100
तर्क क्षमता: 89.200 / 100
कोडिंग: 77.300 / 100
ब्राउज़र उपयोग: 96.000 / 100
डेटा विश्लेषण: 66.000 / 100
शोध: 81.800 / 100
डिज़ाइन: 78.800 / 100

अलग-अलग कार्य

long_agentic: 48.300
reasoning: 89.200
coding: 77.300
browser: 96.000
data_analysis: 66.000
research: 81.800
design: 78.800

स्रोत: LiveBench ↗

14GPT-5.6 SolOpenAI76.257

gpt-5.6-sol

लंबे एजेंटिक कार्य: 48.500 / 100
तर्क क्षमता: 91.700 / 100
कोडिंग: 89.700 / 100
ब्राउज़र उपयोग: 88.000 / 100
डेटा विश्लेषण: 79.800 / 100
शोध: 54.500 / 100
डिज़ाइन: 81.600 / 100

अलग-अलग कार्य

long_agentic: 48.500
reasoning: 91.700
coding: 89.700
browser: 88.000
data_analysis: 79.800
research: 54.500
design: 81.600

स्रोत: LiveBench ↗

15Claude Haiku 5.5Anthropic75.643

claude-haiku-5.5

लंबे एजेंटिक कार्य: 57.600 / 100
तर्क क्षमता: 82.400 / 100
कोडिंग: 91.400 / 100
ब्राउज़र उपयोग: 80.000 / 100
डेटा विश्लेषण: 53.100 / 100
शोध: 81.900 / 100
डिज़ाइन: 83.100 / 100

अलग-अलग कार्य

long_agentic: 57.600
reasoning: 82.400
coding: 91.400
browser: 80.000
data_analysis: 53.100
research: 81.900
design: 83.100

स्रोत: LiveBench ↗

16GPT-5.6 TerraOpenAI74.986

gpt-5.6-terra

लंबे एजेंटिक कार्य: 48.400 / 100
तर्क क्षमता: 90.600 / 100
कोडिंग: 86.200 / 100
ब्राउज़र उपयोग: 84.000 / 100
डेटा विश्लेषण: 79.300 / 100
शोध: 60.400 / 100
डिज़ाइन: 76.000 / 100

अलग-अलग कार्य

long_agentic: 48.400
reasoning: 90.600
coding: 86.200
browser: 84.000
data_analysis: 79.300
research: 60.400
design: 76.000

स्रोत: LiveBench ↗

17Grok 4.6 xHighxAI74.943

grok-4.6

लंबे एजेंटिक कार्य: 40.700 / 100
तर्क क्षमता: 91.200 / 100
कोडिंग: 89.100 / 100
ब्राउज़र उपयोग: 64.000 / 100
डेटा विश्लेषण: 75.300 / 100
शोध: 84.500 / 100
डिज़ाइन: 79.800 / 100

अलग-अलग कार्य

long_agentic: 40.700
reasoning: 91.200
coding: 89.100
browser: 64.000
data_analysis: 75.300
research: 84.500
design: 79.800

स्रोत: LiveBench ↗

18MiMo V2.6 ProXiaomi74.871

mimo-v2.6-pro

लंबे एजेंटिक कार्य: 47.500 / 100
तर्क क्षमता: 79.600 / 100
कोडिंग: 81.500 / 100
ब्राउज़र उपयोग: 88.000 / 100
डेटा विश्लेषण: 72.300 / 100
शोध: 76.700 / 100
डिज़ाइन: 78.500 / 100

अलग-अलग कार्य

long_agentic: 47.500
reasoning: 79.600
coding: 81.500
browser: 88.000
data_analysis: 72.300
research: 76.700
design: 78.500

स्रोत: LiveBench ↗

19Muse Spark 1.3Meta74.757

muse-spark-1.3

लंबे एजेंटिक कार्य: 40.400 / 100
तर्क क्षमता: 89.700 / 100
कोडिंग: 90.200 / 100
ब्राउज़र उपयोग: 80.000 / 100
डेटा विश्लेषण: 79.600 / 100
शोध: 68.600 / 100
डिज़ाइन: 74.800 / 100

अलग-अलग कार्य

long_agentic: 40.400
reasoning: 89.700
coding: 90.200
browser: 80.000
data_analysis: 79.600
research: 68.600
design: 74.800

स्रोत: LiveBench ↗

20Grok 4.7xAI74.086

grok-4.7

लंबे एजेंटिक कार्य: 50.100 / 100
तर्क क्षमता: 82.700 / 100
कोडिंग: 84.500 / 100
ब्राउज़र उपयोग: 60.000 / 100
डेटा विश्लेषण: 76.900 / 100
शोध: 86.400 / 100
डिज़ाइन: 78.000 / 100

अलग-अलग कार्य

long_agentic: 50.100
reasoning: 82.700
coding: 84.500
browser: 60.000
data_analysis: 76.900
research: 86.400
design: 78.000

स्रोत: LiveBench ↗

रैंकिंग बिना पूर्णांक में बदले गए नतीजों पर आधारित है। मिलते-जुलते स्कोर से किसी सार्थक अंतर की पुष्टि नहीं होती।

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।

तुलना कैसे की जाती है

यहाँ दिखाया गया कुल स्कोर, एक ही LiveBench रिलीज़ के सभी श्रेणियों के अंकों का समान भार वाला औसत है। कुल स्कोर के लिए हर कार्य का नतीजा होना ज़रूरी है। Arena की रेटिंग अलग रखी जाती हैं, क्योंकि वे पसंद को मापती हैं। हम अलग-अलग स्रोतों के मिलते-जुलते नाम वाले मॉडलों को एक नहीं मानते: उनके संस्करण और रीजनिंग सेटिंग अलग हो सकती हैं। इन परीक्षणों में हर मॉडल या वास्तविक दुनिया का हर कार्य शामिल नहीं है।

स्रोत डेटा: LiveBench; Arena / LMArena (CC BY 4.0)। Oossa दिखाए गए कार्यों के औसत की गणना करता है और नतीजों को आसान रूप में पेश करता है। Arena ↗ · स्रोत ↗ · CC BY 4.0 ↗