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