TECHAGENT - MY AI LIFE

Benchmark Model AI

Standar: 36 · HF: 22

Tentang benchmark

Benchmark adalah uji terstandar yang menilai seberapa baik model AI dalam penalaran, pengetahuan, matematika, dan pemrograman. Gunakan untuk membandingkan model secara objektif dan memilih yang tepat untuk tugas Anda.

📊 Standar. Standar - empat benchmark publik paling banyak dikutip (MMLU, GPQA, HumanEval, SWE-Bench), diambil dari halaman pengumuman tiap model; Skor kami menggabungkannya menjadi satu angka.

🤗 HF Open LLM Leaderboard. HF Open LLM Leaderboard - enam tugas (IFEval, BBH, MATH, GPQA, MuSR, MMLU-Pro) yang diukur seragam untuk model open source; diurutkan berdasarkan Rata-rata.

📊 Standar (MMLU · GPQA · HumanEval · SWE-Bench)🤗 HF Open LLM Leaderboard
📚MMLU
57 subjek akademik
o1
OpenAI
92.3%
🔬GPQA Diamond
Pertanyaan sains level PhD
o1
OpenAI
77.3%
💻HumanEval
Pembuatan kode Python
DeepSeek R1
DeepSeek
92.6%
🔧SWE-Bench
Tugas rekayasa GitHub nyata
Claude Opus 4.1
Anthropic
74.5%
📚MMLU

57 subjek akademik

🔬GPQA Diamond

Pertanyaan sains level PhD

💻HumanEval

Pembuatan kode Python

🔧SWE-Bench

Tugas rekayasa GitHub nyata

SemuaOpen SourceAnthropic (4)OpenAI (4)Google (4)Yandex (3)Meta (3)
#Model↕Penyedia↕MMLU↕GPQA↕HumanEval↕SWE-Bench↕Skor↑
1MetaLlama 3.2 3BMeta
63.4
24.7
58.3
9.5
37.0
2Mistral AIMistral NeMoMistral AI
68.0
32.0
73.4
15.0
45.3
3CohereCommand R+Cohere
80.4
30.1
74.2
16.8
47.9
4GoogleGemma 2 27BGoogle
75.2
38.4
74.0
14.7
48.7
5GoogleGemini 1.5 FlashGoogle
78.9
37.0
78.9
16.2
50.7
6OpenAIGPT-4o miniOpenAI
82.0
40.1
87.1
22.8
55.9
7MetaLlama 3.1 70BMeta
83.6
46.7
80.5
21.8
56.3
8GoogleGemini 2.0 FlashGoogle
83.0
45.0
85.0
22.0
56.9
9GoogleGemini 1.5 ProGoogle
85.9
46.2
84.1
26.9
58.8
10Alibaba/QwenQwen 2.5 Coder 32BAlibaba/Qwen
80.0
42.0
92.3
30.0
59.2
11Alibaba/QwenQwen 2.5 72BAlibaba/Qwen
86.1
49.0
86.5
23.7
59.5
12AnthropicClaude Haiku 4.5Anthropic
82.9
43.0
88.3
33.2
59.9
13Mistral AIMistral Large 2Mistral AI
84.0
47.2
92.1
32.6
62.1
14SberGigaChat ProSber
68.0
-
60.0
-63.6
15MetaLlama 3.1 405BMeta
88.6
50.7
89.0
34.1
63.7
16YandexYandexGPT 4 LiteYandex
69.0
-
62.0
-65.1
17HyperCLOVA XNaver
79.0
-
55.0
-65.7
18OpenAIGPT-4oOpenAI
88.7
53.6
90.2
38.3
65.9
19AlibabaQwen MaxAlibaba
89.0
59.0
87.0
37.0
66.5
20YandexYandexGPT 3 ProYandex
72.0
-
65.0
-68.1
21DeepSeekDeepSeek V3DeepSeek
88.5
59.1
89.4
42.0
68.3
22SberGigaChat MaxSber
74.0
-
68.0
-70.7
23BaiduERNIE 4.5Baidu
88.0
55.0
82.0
-72.8
24OpenAIo3-miniOpenAI
86.9
67.4
91.7
49.3
72.9
25MiniMax Text-01MiniMax
88.0
56.0
84.0
-73.9
26AnthropicClaude Sonnet 4.6Anthropic
88.3
65.0
92.0
57.0
74.4
27YandexYandexGPT 4 ProYandex
78.0
-
72.0
-74.7
28DeepSeekDeepSeek R1DeepSeek
90.8
71.5
92.6
49.2
75.1
29OpenAIo1OpenAI
92.3
77.3
92.4
48.9
77.0
30TencentHunyuan ProTencent
81.0
-
74.0
-77.1
31ByteDanceDoubao Pro 32KByteDance
82.0
-
75.0
-78.1
32BaiduERNIE 4.0 TurboBaidu
82.0
-
76.0
-78.7
33Zhipu AIGLM-4 PlusZhipu AI
83.0
-
76.0
-79.1
34Moonshot AIMoonshot v1 128KMoonshot AI
83.0
-
77.0
-79.7
35AnthropicClaude Opus 4.7Anthropic
90.1
74.3
92.1
72.5
81.5
36AnthropicClaude Opus 4.1Anthropic---
74.5
-
Score = MMLU×20% + GPQA×30% + HumanEval×25% + SWE-Bench×25%Semua skor dalam % · lebih tinggi lebih baik→ Tabel model lengkap dengan harga & kecepatan