Modellernas testresultat
Totalt
Jämför resultat i samma LiveBench-testsvit. Första kolumnen är snittet av kategorierna med lika vikt; varje kategori visas även separat. Detta är testpoäng, inte ett allmänt betyg.
Sortera efter test
LiveBench · Testuppsättningens version 14 okt. 2026Senast kontrollerad 49 testade inställningarKlicka på en kolumnrubrik för att sortera.
| # | Modell och inställning | ||||||||
|---|---|---|---|---|---|---|---|---|---|
| 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 |
Rulla i sidled för att se alla testkolumner.
Vad kolumnerna mäter
- Långa agentuppgifter:
- Långvarigt kod- och apparbete över många steg
- Resonemang:
- Logiska problem och problemlösning
- Kodning:
- Skriva och slutföra kod
- Webbläsaranvändning:
- Uppgifter i flera steg i riktiga webbappar
- Dataanalys:
- Frågor om tabeller och data
- Research:
- Öppna researchrapporter
- Design:
- Layout och design av dokument och presentationer
Tester och metod
En testkälla: LiveBench. Kolumnerna är delar av samma källa, inte oberoende tester. Poängen visas på originalskalan 0–100. Välj kolumn för placeringen; ett streck betyder att underlag saknas.
Varje exakt modellinställning hålls separat. Ett kategorisnitt kräver alla deltester i kategorin; totalsnittet kräver alla kategorier. Deltesterna väger lika inom kategorin och kategorierna väger lika i totalsnittet. Saknade resultat är aldrig noll. Placeringen bygger på oavrundade värden i vald kolumn, med delad placering vid lika resultat; sökning behåller placeringen i hela testet. För gamla poäng får ingen placering. De visade decimalerna bevisar ingen säker skillnad. Vyn omfattar en testsvit, inte alla aktuella modeller eller alla slags förmågor.
Testsvitens datum anger testversionen. LiveBench lägger löpande till modeller och uppdaterar resultat inom den versionen; kontrolldatumet visar när vi hämtade dess aktuella data.
LiveBench · Källa ↗Fler tester och historiska resultat →