Resultados dos testes dos modelos
Geral
Compare os resultados na mesma suíte LiveBench. A primeira coluna mostra a média com pesos iguais entre as categorias; cada categoria também é exibida separadamente. Estas são pontuações de benchmark, não uma avaliação universal.
Ordenar por teste
LiveBench · Versão da suíte de testes 14 de out. de 2026Última verificação 49 configurações testadasClique no cabeçalho de uma coluna para ordenar.
| # | Modelo e configuração | ||||||||
|---|---|---|---|---|---|---|---|---|---|
| 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 |
Role horizontalmente para ver todas as colunas de testes.
O que as colunas medem
- Tarefas agênticas longas:
- Trabalho longo de código e apps em muitas etapas
- Raciocínio:
- Quebra-cabeças lógicos e resolução de problemas
- Programação:
- Escrever e completar código
- Uso do navegador:
- Tarefas de várias etapas em apps web reais
- Análise de dados:
- Perguntas sobre tabelas e dados
- Pesquisa:
- Relatórios de pesquisa abertos
- Design:
- Layout e design de documentos e slides
Testes e metodologia
Uma fonte de testes: LiveBench. As colunas são partes dessa fonte, não benchmarks independentes. As pontuações usam a escala original de 0 a 100. Escolha a coluna usada para a classificação; um traço indica dados ausentes.
Cada configuração exata do modelo é mantida separada. A média de uma categoria exige resultados de todas as tarefas dessa categoria; a média geral exige resultados de todas as categorias. As tarefas têm pesos iguais dentro de cada categoria, e as categorias têm pesos iguais no cálculo geral. Resultados ausentes nunca são tratados como zero. As classificações usam os valores não arredondados da coluna escolhida, com empates compartilhados; a pesquisa mantém a classificação na avaliação completa. Pontuações antigas não determinam a classificação. As casas decimais exibidas não comprovam uma diferença significativa. Esta visualização abrange uma suíte de testes, não todos os modelos atuais nem todos os tipos de capacidade.
A data da suíte identifica a versão do teste. O LiveBench continua adicionando modelos e atualizando os resultados dentro dessa versão; a data da verificação indica quando buscamos os dados ao vivo.
LiveBench · Fonte ↗Mais testes e resultados históricos →