Tüm modelleri keşfet
Yapay zekâ modellerini karşılaştır
Her gün kontrol edilirAynı LiveBench paketindeki sonuçları karşılaştırın. İlk sütun, kategorilerin eşit ağırlıklı ortalamasıdır; her kategori ayrıca gösterilir. Bunlar evrensel bir puan değil, kıyaslama testlerinin sonuçlarıdır.
Teste göre sırala
LiveBench · Test paketi sürümü 14 Eki 2026Son kontrol 49 test edilen ayarlarSıralamak için bir sütun başlığına tıklayın.
| # | Model ve ayar | ||||||||
|---|---|---|---|---|---|---|---|---|---|
| 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 |
Tüm test sütunlarını görmek için yana kaydırın.
Sütunlar neyi ölçer
- Uzun ajan görevleri:
- Birçok adımda uzun süreli kod ve uygulama çalışması
- Akıl yürütme:
- Mantık bulmacaları ve problem çözme
- Kodlama:
- Kod yazma ve tamamlama
- Tarayıcı kullanımı:
- Gerçek web uygulamalarında çok adımlı görevler
- Veri analizi:
- Tablolar ve veriler hakkında sorular
- Araştırma:
- Açık uçlu araştırma raporları
- Tasarım:
- Belge ve slayt düzeni ve tasarımı
Testler ve yöntem
Tek test kaynağı: LiveBench. Sütunlar bu kaynağın bölümleridir; birbirinden bağımsız kıyaslama testleri değildir. Puanlar, özgün 0–100 ölçeğini kullanır. Sıralamada kullanılacak sütunu seçin; kısa çizgi, verinin eksik olduğunu belirtir.
Her model ayarı ayrı tutulur. Bir kategori ortalaması için o kategorideki tüm görevlerin; genel ortalama içinse tüm kategorilerin sonuçları gerekir. Kategori içindeki görevler eşit, genel ortalamadaki kategoriler de eşit ağırlıktadır. Eksik sonuçlar hiçbir zaman sıfır sayılmaz. Sıralamalar, seçilen sütundaki yuvarlanmamış değerlerle belirlenir; eşit puanlar aynı sırayı alır. Arama sonuçlarında tam testteki sıralama korunur. Eski puanlar sıralamayı belirleyemez. Gösterilen ondalık basamaklar anlamlı bir fark olduğunu kanıtlamaz. Bu görünüm tek bir test paketini kapsar; güncel tüm modelleri veya her tür beceriyi kapsamaz.
Test paketi tarihi, test sürümünü belirtir. LiveBench bu sürüm içinde model eklemeye ve sonuçları güncellemeye devam eder; kontrol tarihi, canlı verileri ne zaman aldığımızı gösterir.
LiveBench · Kaynak ↗Diğer testler ve geçmiş sonuçlar →