Risultati dei test sui modelli
Complessiva
Confronta i risultati all’interno della stessa suite LiveBench. La prima colonna mostra la media con ponderazione uniforme delle categorie; ogni categoria è riportata anche separatamente. Sono punteggi di benchmark, non una valutazione universale.
Ordina per test
LiveBench · Versione della suite di test 14 ott 2026Ultimo controllo 49 configurazioni testateFai clic sull’intestazione di una colonna per ordinare.
| # | Modello e impostazione | ||||||||
|---|---|---|---|---|---|---|---|---|---|
| 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 |
Scorri orizzontalmente per vedere tutte le colonne dei test.
Cosa misurano le colonne
- Compiti agentici lunghi:
- Lavoro prolungato su codice e app in molti passaggi
- Ragionamento:
- Enigmi logici e risoluzione di problemi
- Programmazione:
- Scrivere e completare codice
- Uso del browser:
- Attività in più passaggi in vere app web
- Analisi dei dati:
- Domande su tabelle e dati
- Ricerca:
- Report di ricerca aperti
- Design:
- Impaginazione e design di documenti e slide
Test e metodologia
Un’unica fonte di test: LiveBench. Le colonne sono sezioni di questa fonte, non benchmark indipendenti. I punteggi usano la scala originale da 0 a 100. Scegli la colonna da usare per la posizione in classifica; un trattino indica dati mancanti.
Ogni configurazione esatta del modello resta separata. Per calcolare la media di una categoria servono i risultati di tutte le sue prove; per la media complessiva servono quelli di tutte le categorie. Le prove hanno lo stesso peso all’interno di ogni categoria e le categorie hanno lo stesso peso nella media complessiva. I risultati mancanti non valgono zero. Le posizioni in classifica usano i valori non arrotondati della colonna scelta; le parità condividono la posizione. La ricerca mantiene la posizione nella classifica completa. I punteggi meno recenti non determinano la posizione. Le cifre decimali visualizzate non dimostrano l’esistenza di una differenza significativa. Questa vista copre una sola suite di test, non tutti i modelli attuali né ogni tipo di capacità.
La data della suite identifica la versione dei test. LiveBench continua ad aggiungere modelli e ad aggiornare i risultati all’interno di quella versione; la data di controllo indica quando abbiamo recuperato i dati aggiornati.
LiveBench · Fonte ↗Altri test e risultati storici →