Benchmarks
160 benchmarks dans 11 catégories. Cliquez pour voir le classement complet.
Connaissances
ANLI
Connaissances1
GPT-3.5 Turbo (older v0613)
37.1
2
phi-3-small 7.4B
37.1
3
Llama 3-70B
36.0
4Llama 3 8B Instruct
36.0
5phi-3-medium 14B
33.7
11 modèles testés
ARC AI2
Connaissances1Llama 3.1 405B
93.7
2
DeepSeek V3
93.7
3
Qwen2.5 72B Instruct
92.7
4DeepSeek-V2 (MoE-236B, May 2024)
89.6
5phi-3-medium 14B
88.8
52 modèles testés
AudioMultiChallenge · Audio Output
Connaissances0 modèles testés
AudioMultiChallenge · Text Output
Connaissances1
Gemini 2.5 Pro
46.9
2Gemini 2.5 Flash
40.0
3
Voxtral Small 24B 2507
26.3
3 modèles testés
Balrog
Connaissances1GPT-6 Astra
68.3
2
Claude Opus 5
63.4
3GPT-5.6 Sol
60.0
4Gemini 3 Pro
58.1
5Gemini 3.1 Pro Preview
57.0
36 modèles testés
CMMLU
Connaissances1Qwen2-72B
89.7
2Qwen2.5 72B Instruct
85.7
3GPT-4 Turbo (batch)
71.0
4GPT-4 Turbo
71.0
5Llama 3.1 70B Instruct
64.4
9 modèles testés
Chess Puzzles
Connaissances1Claude Fable 5.2
77.9
2GPT-6 Astra
74.8
3GPT-6.1 Sol
66.3
4GPT-5.6 Sol
66.3
5Claude Opus 5.5
65.3
129 modèles testés
DeepResearch Bench
Connaissances1Claude Opus 4.6
55.3
2GPT-5
55.1
3Claude Sonnet 4.6
54.9
4Claude Opus 4.5
54.8
5GPT-5.5
54.0
27 modèles testés
Fiction.LiveBench
Connaissances1o3 Pro
97.2
2GPT-5
97.2
3
Grok 4
94.4
4Grok 4 Fast
94.4
5Gemini 2.5 Pro
91.7
51 modèles testés
GPQA
Connaissances1Meta Llama 3 8B
19.7
2
HA
Qwen2.5 72B Instruct Abliterated19.4
3Qwen2-72B
19.2
4DeepSeek R1 Distill Qwen 14B
18.3
5WizardLM-2 8x22B
17.6
78 modèles testés
GPQA diamond
Connaissances1Gemini 4 Argon
99.2
2GPT-6 Astra
98.3
3Claude Sonnet 5.5
98.0
4GPT-6.1 Sol
97.8
5Gemini 3.8 Flash
97.8
186 modèles testés
GeoBench
Connaissances1Gemini 3 Flash Preview
88.0
2Gemini 3 Pro
84.0
3Gemini 2.5 Pro
81.0
4GPT-5
81.0
5o1
80.0
28 modèles testés
HELM · GPQA
Connaissances1Gemini 3 Pro
80.3
2GPT-5 Chat
79.1
3GPT-5
79.1
4GPT-5 Mini
75.6
5o3
75.3
41 modèles testés
HELM · MMLU-Pro
Connaissances1Gemini 3 Pro
90.3
2GPT-5 Chat
86.3
3Gemini 2.5 Pro
86.3
4GPT-5
86.3
5o3
85.9
41 modèles testés
HLE
Connaissances1GPT-6 Astra
52.5
2Claude Fable 5.1
43.8
3Gemini 3.1 Pro Preview
43.7
4Claude Sonnet 5.5
43.4
5Gemini 3.8 Flash
41.7
38 modèles testés
HellaSwag
Connaissances1GPT-4 Turbo (batch)
93.7
2GPT-4 Turbo
93.7
3Llama 3.1 405B
85.6
4
Falcon-180B
85.3
5DeepSeek V3
85.2
43 modèles testés
Humanity's Last Exam
Connaissances0 modèles testés
Humanity's Last Exam (Text Only)
Connaissances0 modèles testés
LAMBADA
Connaissances1Falcon-180B
79.8
2Llama 2-13B
76.5
3LLaMA-13B
75.2
4
U
Baichuan 2-7B73.3
5
U
internlm-20b71.8
9 modèles testés
Lech Mazur Writing
Connaissances1Qwen3 Max
87.1
2o3 Pro
86.3
3GPT-5
86.0
4
Kimi K2 0711
85.6
5Claude Opus 4.1
85.4
48 modèles testés
LiveBench · Overall
Connaissances1
GLM 5.2
76.2
2GPT-5.2-Codex
74.3
3Qwen3.7 Max
74.3
4DeepSeek V4 Pro
73.6
5GPT-5.1-Codex-Max
72.0
40 modèles testés
MMLU
Connaissances1GPT-4o (2024-11-20)
84.1
2DeepSeek V3
82.9
3Claude 3.5 Sonnet
82.0
4GPT-4 (older v0314)
81.9
5Llama 3.3 70B Instruct
81.7
84 modèles testés
MMLU-PRO
Connaissances1Qwen2-72B
52.6
2Qwen2.5 32B Instruct
51.9
3Qwen2.5 72B Instruct
51.4
4
HA
Qwen2.5 72B Instruct Abliterated50.4
5Phi 4
48.3
78 modèles testés
MMMLU
Connaissances0 modèles testés
OpenBookQA
Connaissances1phi-3-small 7.4B
84.0
2phi-3-mini 3.8B
84.0
3phi-3-medium 14B
83.2
4GPT-3.5 Turbo (older v0613)
81.3
5Mixtral 8x7B Instruct
81.1
27 modèles testés
OpenCompass · GPQA-Diamond
Connaissances1Qwen3.5 397B A17B
88.4
2Kimi K2.5
88.1
3GLM 4.7
86.9
4DeepSeek V3.2 Speciale
86.7
5GLM 5
85.3
34 modèles testés
OpenCompass · HLE
Connaissances1DeepSeek V3.2 Speciale
28.6
2Kimi K2.5
28.6
3GLM 5
28.1
4Qwen3.5 397B A17B
27.5
5GLM 4.7
25.4
34 modèles testés
OpenCompass · MMLU-Pro
Connaissances1Qwen3.5 397B A17B
87.6
2Kimi K2.5
86.2
3DeepSeek V3.2
85.8
4Gemini 2.5 Pro
85.8
5DeepSeek V3.2 Speciale
85.5
34 modèles testés
PIQA
Connaissances1GPT-4o-mini (2024-07-18)
77.4
2GPT-4o-mini
77.4
3Gemini 1.5 Flash (May 2024)
75.0
4Llama 3.1 405B
71.8
5Falcon-180B
69.8
33 modèles testés
PostTrainBench
Connaissances1Claude Fable 5
41.8
2GPT-5.6 Sol
36.2
3Claude Opus 5
35.0
4Claude Opus 4.8
33.8
5Kimi K3
32.0
24 modèles testés
Professional Reasoning · Finance
Connaissances1Claude Opus 4.6 (Fast)
53.3
2Claude Opus 4.6
53.3
3GPT-5
51.3
4GPT-5 Pro
51.1
5o3 Pro
49.1
6 modèles testés
Professional Reasoning · Legal
Connaissances1Claude Opus 4.6 (Fast)
52.3
2Claude Opus 4.6
52.3
3GPT-5 Pro
49.9
4o3 Pro
49.7
5GPT-5
49.0
6 modèles testés
ScienceQA
Connaissances1GPT-4o (2024-05-13)
84.7
2GPT-4o (2024-11-20)
84.7
3Claude 3 Haiku
62.7
4Llama 2-13B
41.0
5LLaMA-13B
24.4
5 modèles testés
SimpleQA Verified
Connaissances1Claude Fable 5.2
94.0
2Gemini 4 Argon
76.0
3GPT-6 Astra
75.6
4GPT-6.1 Sol
73.9
5Gemini 3.1 Pro Preview
73.5
96 modèles testés
SpireClimb
Connaissances1GPT-6 Astra
34.0
2GPT-6.1 Sol
23.8
3GPT-6.1 Terra
22.3
4Claude Fable 5.2
19.6
5GPT-6 Sol
9.2
9 modèles testés
TriviaQA
Connaissances1Claude 2
87.5
2
U
PaLM 2-L86.1
3GPT-3.5 Turbo (older v0613)
85.8
4GPT-4 Turbo (batch)
84.8
5GPT-4 Turbo
84.8
26 modèles testés
VPCT
Connaissances1Gemini 3 Pro
86.5
2GPT-5.2
76.0
3Gemini 3 Flash Preview
58.9
4GPT-5
49.0
5GPT-5.1
38.0
24 modèles testés
VisualToolBench (VTB)
Connaissances1Gemini 3.1 Pro Preview
29.0
2Claude Opus 4.6 (Fast)
27.5
3Claude Opus 4.6
27.5
3 modèles testés
WeirdML v3
Connaissances1GPT-6 Astra
60.0
2GPT-6.1 Sol
56.2
3Claude Opus 5.5
55.4
4Claude Fable 5.1
48.4
5Gemini 4 Argon
45.7
22 modèles testés
Winogrande
Connaissances1Llama 3.1 405B
78.4
2Claude 3 Opus
77.0
3GPT-4 Turbo (batch)
75.0
4GPT-4 (older v0314)
75.0
5GPT-4 Turbo
75.0
54 modèles testés
Agentique
APEX-Agents
Agentique1Gemini 4 Argon
82.4
2Claude Sonnet 5.5
75.5
3Claude Opus 5.5
73.5
4DeepSeek V4.1 Flash 1017
69.8
5Claude Fable 5.1
68.6
74 modèles testés
OSWorld
Agentique1Claude Sonnet 4.6
72.1
2Claude Opus 4.5
66.3
3Kimi K2.5
63.3
4Claude Sonnet 4.5
62.9
5Claude Sonnet 4
43.9
8 modèles testés
SWE Atlas · Codebase QnA
Agentique1Claude Opus 4.6 (Fast)
33.3
2Claude Opus 4.6
33.3
3GPT-5.3-Codex
32.6
4Claude Sonnet 4.6
31.2
4 modèles testés
SWE Atlas · Test Writing
Agentique1Claude Opus 4.6 (Fast)
36.7
2Claude Opus 4.6
36.7
3Claude Sonnet 4.6
31.8
3 modèles testés
SWE-Bench Pro (Private)
Agentique1Claude Opus 4.5
23.4
2Gemini 2.5 Pro Preview 06-05
10.1
2 modèles testés
The Agent Company
Agentique1DeepSeek V3.2 Exp
42.9
2Gemini 2.5 Flash
41.1
3Claude Sonnet 4
33.1
4Claude 3.7 Sonnet
30.9
5Gemini 2.5 Pro
30.3
15 modèles testés
Raisonnement
ARC-AGI
Raisonnement1Claude Fable 5
98.5
2GPT-6 Astra
98.5
3Claude Opus 5.5
98.5
4GPT-6.1 Sol
98.5
5Gemini 3.8 Flash
98.5
88 modèles testés
ARC-AGI-2
Raisonnement1GPT-6 Astra
95.0
2GPT-6.1 Sol
94.2
3Claude Opus 5.5
93.3
4GPT-5.6 Sol
92.5
5Gemini 4 Argon
91.3
92 modèles testés
BBH
Raisonnement1Gemini 1.5 Pro (May 2024)
85.6
2DeepSeek V3
83.3
3Gemini 1.5 Pro (Feb 2024)
78.7
4Llama 3.1 405B
77.2
5phi-3-medium 14B
75.2
29 modèles testés
CharXiv Reasoning
Raisonnement0 modèles testés
CharXiv Reasoning (with tools)
Raisonnement0 modèles testés
GraphWalks BFS 256K-1M
Raisonnement0 modèles testés
HELM · WildBench
Raisonnement1GPT-5.1
86.3
2Kimi K2 0711
86.2
3o3
86.1
4Gemini 3 Pro
85.9
5GPT-5 Chat
85.7
41 modèles testés
HLE (with tools)
Raisonnement0 modèles testés
LiveBench · Data Analysis
Raisonnement1GPT-5.2-Codex
78.2
2
MiniMax M3
76.2
3DeepSeek V4 Pro
74.5
4GLM 5.2
73.7
5Qwen3.7 Max
71.8
40 modèles testés
LiveBench · Reasoning
Raisonnement1GPT-5.1-Codex-Max
84.6
2Qwen3.7 Max
83.3
3Kimi K2.7 Code
82.8
4DeepSeek V4 Pro
82.7
5GPT-5.1-Codex
82.0
40 modèles testés
MUSR
Raisonnement1DeepSeek R1 Distill Qwen 14B
28.7
2
Hermes 3 70B Instruct
23.4
3Llama 3 8B Instruct
19.9
4Qwen2-72B
19.7
5
U
Stable Beluga 218.6
78 modèles testés
SimpleBench
Raisonnement1Claude Fable 5
78.3
2Claude Opus 5
76.7
3Gemini 3.1 Pro Preview
75.5
4GPT-5.5 Pro
72.3
5Gemini 3.5 Flash
72.0
83 modèles testés
Code
Aider polyglot
Code1GPT-5 Chat
88.0
2GPT-5
88.0
3o3 Pro
84.9
4Gemini 2.5 Pro
83.1
5Gemini 2.5 Pro Preview 06-05
83.1
56 modèles testés
1o1
84.2
2Claude 3.5 Sonnet
84.2
3o1-preview
79.7
4GPT-4o (2024-05-13)
72.9
5GPT-4o (2024-11-20)
71.4
29 modèles testés
Cybench
Code1Claude Opus 4.6
93.0
2Claude Opus 4.5
82.0
3Claude Sonnet 4.5
60.0
4Grok 4
43.0
5Claude Opus 4.1
42.0
22 modèles testés
Deepswe
Code1GPT-6 Astra
74.1
2Gemini 3.8 Flash
73.8
3Claude Opus 5
73.7
4GPT-5.6 Sol
72.7
5Claude Fable 5
69.9
24 modèles testés
Frontiercode
Code1Claude Opus 5.5
54.6
2Claude Fable 5
53.5
3Claude Opus 5
53.4
4GPT-6 Astra
53.3
5Claude Sonnet 5.5
52.1
41 modèles testés
Frontierswe
Code1GPT-6 Astra
65.5
2Claude Opus 5.5
62.3
3Claude Sonnet 5.5
61.9
4Claude Fable 5.1
56.3
5Gemini 4 Argon
55.0
17 modèles testés
GSO-Bench
Code1Claude Fable 5.1
88.2
2GPT-6 Astra
79.4
3Claude Fable 5
78.4
4GPT-5.6 Sol
76.5
5Claude Opus 4.8
47.1
30 modèles testés
1GLM 5.2
73.3
2Kimi K2.7 Code
70.0
3MiniMax M3
60.0
4DeepSeek V4 Pro
56.7
5GPT-5.1-Codex-Max
56.7
40 modèles testés
1GPT-5.2-Codex
83.6
2GPT-5.1-Codex-Max
81.4
3GLM 5.2
79.7
4Qwen3.6 Plus
78.2
5GPT-5 Mini
76.1
40 modèles testés
Mirrorcode
Code1Claude Sonnet 5.5
97.8
2Claude Opus 5
87.8
3Claude Opus 5.5
78.9
4Claude Haiku 5.5
78.9
5Claude Fable 5.1
73.3
26 modèles testés
1GLM 5
86.2
2
Step 3.5 Flash
83.9
3GLM 4.7
83.8
4Qwen3.5 397B A17B
83.0
5DeepSeek V3.2 Speciale
80.9
34 modèles testés
1Claude Opus 4.5
74.4
2GPT-5.2
71.8
3Claude Sonnet 4.5
70.6
4Claude Opus 4
67.6
5GPT-5.1
66.0
19 modèles testés
1Claude Opus 4.7
83.5
2GPT-5.5
80.6
3Gemini 3.5 Flash
79.3
4Claude Opus 4.6
78.7
5GLM 5.2
78.7
32 modèles testés
0 modèles testés
0 modèles testés
SWE-bench Pro
Code0 modèles testés
Terminal Bench
Code1GPT-5.5
84.7
2GPT-5.4
81.8
3Gemini 3.1 Pro Preview
80.2
4Claude Opus 4.7
80.2
5Claude Opus 4.6
79.8
35 modèles testés
WeirdML
Code1GPT-6 Astra
93.6
2Claude Fable 5.1
92.9
3Claude Fable 5
91.9
4Claude Opus 5
91.8
5GPT-5.6 Sol
89.4
120 modèles testés
Vitesse
Artificial Analysis · CritPt
Vitesse1GPT-6 Astra
31.7
2Claude Opus 5.5
31.7
3GPT-6.1 Sol
31.7
4Claude Sonnet 5.5
31.4
5GPT-5.5 Pro
30.6
71 modèles testés
Artificial Analysis · GDPval
Vitesse1Claude Opus 5.5
68.3
2Claude Sonnet 5.5
66.9
3Claude Fable 5.1
62.7
4Grok 4.7
60.6
5
MiMo-V2.6-Pro
59.2
61 modèles testés
1GPT-6 Astra
96.1
2Gemini 3.8 Flash
95.3
3Gemini 3.1 Pro Preview
94.1
4Claude Fable 5.1
93.7
5Kimi K3
93.5
55 modèles testés
1Claude Opus 5.5
61.4
2Claude Fable 5.1
59.1
3Gemini 4 Argon
57.1
4Claude Sonnet 5.5
55.0
5GPT-6 Astra
54.7
71 modèles testés
1MiniMax M3
82.9
2
Nemotron 3 Ultra
81.4
3Qwen3.7 Plus
78.0
4Gemini 3.1 Pro Preview
77.1
5Gemma 4 31B
75.6
37 modèles testés
1Kimi K3
88.7
2Step 5 Preview
88.3
3MiMo-V2.6-Pro
86.3
4Claude Fable 5.1
85.3
5Claude Opus 5.5
84.7
70 modèles testés
1Claude Opus 5.5
87.7
2GPT-6 Astra
86.9
3GPT-6.1 Sol
86.0
4Gemini 3.8 Flash
85.6
5Qwen3.8 Max (0902)
82.8
35 modèles testés
1Claude Opus 5.5
66.9
2Claude Fable 5.1
63.1
3Gemini 4 Argon
61.8
4Claude Sonnet 5.5
61.0
5MiMo-V2.6-Pro
60.9
56 modèles testés
1GPT-5.6 Terra
57.6
2Gemini 3.1 Pro Preview
53.8
3GPT-5.3-Codex
53.0
4Qwen3.7 Plus
47.0
5Kimi K2.7 Code
44.7
37 modèles testés
1Gemini 3.1 Pro Preview
95.6
2Qwen3.6 35B A3B
95.3
3Mistral Medium 3.5
94.2
4Qwen3.7 Plus
93.0
5Qwen3.5 4B
92.1
37 modèles testés
1GPT-5.4
69.4
2Claude Opus 4.6 (Fast)
67.6
3GLM 5 Turbo
63.1
4MiMo-V2-Pro
62.8
5GPT-5.3-Codex
62.2
89 modèles testés
1Claude Fable 5
76.5
2GPT-5.5
74.9
3Claude Opus 4.8 (Fast)
74.3
4Claude Opus 4.7 (Fast)
73.6
5Gemini 3.5 Flash
70.1
90 modèles testés
1Claude Fable 5
59.9
2Claude Opus 5.5
57.6
3GPT-5.4
57.2
4Claude Sonnet 5.5
56.0
5Claude Opus 4.8 (Fast)
55.7
137 modèles testés
Général
BBH (HuggingFace)
Général1Qwen2.5 72B Instruct
61.9
2
HA
Qwen2.5 72B Instruct Abliterated60.5
3Llama 3.3 70B Instruct
56.6
4Qwen2.5 32B Instruct
56.5
5Llama 3.1 70B Instruct
55.9
78 modèles testés
Cl Bench
Général1GPT-5.4
27.9
2GPT-5.1
23.7
3Grok 4.20
22.2
4Claude Opus 4.5
21.1
5Gemini 3.1 Pro Preview
20.8
19 modèles testés
Cl Bench Life
Général1GPT-5.5
22.2
2GPT-5.4
21.7
3GPT-5.1
17.3
4Claude Opus 4.6
17.0
5Gemini 3.1 Pro Preview
16.9
13 modèles testés
Dtbench
Général1Claude Opus 5.5
98.2
2Claude Fable 5
97.3
3Claude Opus 5
96.5
4Claude Fable 5.1
96.0
5Gemini 4 Argon
96.0
145 modèles testés
Ebr Bench
Général1Claude Fable 5.2
90.5
2GPT-6.1 Terra
78.1
3GPT-6 Astra
76.2
4Claude Opus 5.5
71.4
5Gemini 4 Argon
64.8
29 modèles testés
Exploitbench
Général1GPT-5.5
47.4
2Claude Opus 4.7
26.5
3Gemini 3.1 Pro Preview
26.1
4Claude Sonnet 4.6
23.6
5Kimi K2.6
18.4
8 modèles testés
Furniture Assembly
Général1Claude Fable 5.2
85.7
2Claude Opus 5.5
76.2
3GPT-6 Astra
71.4
4GPT-6.1 Sol
71.4
5GPT-6.1 Terra
70.2
36 modèles testés
Gdpval
Général1GPT-5.2
49.7
2Claude Opus 4.5
45.5
3Claude Opus 4.1
43.6
4Claude Sonnet 4.5
42.5
5Gemini 3 Pro
40.3
12 modèles testés
Lmca
Général1Claude Sonnet 5.5
80.3
2Claude Opus 5.5
80.3
3Claude Fable 5.1
77.0
4Claude Opus 5
75.8
5GPT-6 Astra
75.7
123 modèles testés
Metr Time Horizons
Général1Claude Opus 4.6
78.9
2Gemini 3.1 Pro Preview
77.0
3GPT-5.2
75.3
4Claude Opus 4.5
75.0
5GPT-5.3-Codex
74.5
31 modèles testés
Mystery Game Puzzles
Général1Claude Fable 5.2
89.0
2GPT-6 Astra
82.4
3GPT-6.1 Sol
78.0
4GPT-6.1 Terra
71.4
5Claude Opus 5.5
68.0
81 modèles testés
Osworld 2 0
Général1Claude Opus 5
31.4
2GPT-5.6 Sol
27.3
3Claude Opus 4.8
20.6
4Claude Opus 4.7
18.2
5GPT-5.5
13.0
9 modèles testés
Proofbench
Général1Claude Fable 5.1
100.0
2Claude Opus 5.5
100.0
3Claude Sonnet 5.5
100.0
4GPT-6 Astra
99.0
5Claude Opus 5
99.0
65 modèles testés
Remote Labor Index
Général1Claude Opus 5.5
21.3
2GPT-6 Astra
20.8
3Claude Fable 5.1
17.9
4Gemini 4 Argon
17.1
5Claude Fable 5
16.1
16 modèles testés
Surface Evolver Bench
Général1Claude Fable 5
95.0
2Kimi K3
95.0
3GPT-5.6 Sol
93.1
4GPT-5.5
88.1
5Claude Opus 4.8
87.5
23 modèles testés
Arène
1Qwen3.8 Max (0902)
1671.2
2Claude Fable 5
1653.9
3MiMo-V2.6-Pro
1618.4
4GLM 5.3 Flash
1615.6
5GLM 5.2
1593.3
58 modèles testés
1Claude Fable 5
1507.6
2Claude Opus 4.6 (Fast)
1503.7
3Claude Opus 4.6
1497.3
4Claude Opus 4.7
1494.1
5Muse Spark
1489.3
149 modèles testés
Sécurité
Maths
1Muse Spark
68.4
2Gemini 3 Pro
66.0
3GPT-5.5 Pro
52.4
4GPT-5.5
51.7
5GPT-5.4 Pro
50.0
69 modèles testés
1GPT-5.5 Pro
39.6
2GPT-5.4 Pro
37.5
3GPT-5.5
35.4
4GPT-5.2 Pro
31.3
5Claude Opus 4.8
31.3
51 modèles testés
1GPT-6.1 Sol
100.0
2Claude Fable 5.2
100.0
3GPT-6 Astra
97.6
4Claude Opus 5.5
95.0
5GPT-6.1 Terra
92.7
68 modèles testés
1Claude Fable 5.2
100.0
2GPT-6 Astra
98.6
3GPT-6.1 Sol
98.6
4Claude Opus 5.5
96.0
5GPT-6.1 Terra
95.7
88 modèles testés
GSM8K
Maths1GPT-4 (older v0314)
92.0
2GPT-4o-mini (2024-07-18)
91.3
3GPT-4o-mini
91.3
4Qwen2.5 Coder 32B Instruct
91.1
5GPT-4 Turbo (batch)
90.0
44 modèles testés
HELM · Omni-MATH
Maths1GPT-5 Mini
72.2
2o4 Mini
72.0
3o4 Mini (batch)
72.0
4o3
71.4
5gpt-oss-120b
68.8
41 modèles testés
1DeepSeek V4 Pro
90.7
2GLM 5.2
89.8
3GPT-5.2-Codex
88.8
4Qwen3.7 Max
85.3
5GLM 5.1
84.9
40 modèles testés
MATH Level 5
Maths1Qwen2.5 32B Instruct
62.5
2
HA
Qwen2.5 72B Instruct Abliterated60.1
3Qwen2.5 72B Instruct
59.8
4DeepSeek R1 Distill Qwen 14B
57.0
5Qwen2.5 14B Instruct
55.3
78 modèles testés
1Claude Fable 5
100.0
2Claude Fable 5.1
100.0
3GPT-6 Astra
100.0
4GPT-5.5
100.0
5Claude Opus 5.5
100.0
178 modèles testés
1DeepSeek V3.2 Speciale
96.0
2GLM 5
95.8
3Step 3.5 Flash
95.7
4GLM 4.7
95.4
5Kimi K2 Thinking
94.1
34 modèles testés
USAMO
Maths0 modèles testés
Langage
HELM · IFEval
Langage1Grok 3 Mini Beta
95.1
2Grok-3 mini
95.1
3Grok 4
94.9
4GPT-5.1
93.5
5GPT-5 Nano
93.2
41 modèles testés
IFEval
Langage1Llama 3.3 70B Instruct
90.0
2Llama 3.1 70B Instruct
86.7
3Qwen2.5 72B Instruct
86.4
4
HA
Qwen2.5 72B Instruct Abliterated85.9
5Qwen2.5 32B Instruct
83.5
78 modèles testés
JCommonsenseQA
Langage1DeepSeek R1 Distill Qwen 32B
95.3
2DeepSeek R1 Distill Qwen 14B
93.7
3Qwen2 7B Instruct
89.1
4Qwen2 VL 7B Instruct
87.8
5Meta Llama 3 8B Instruct
87.7
12 modèles testés
JHumanEval
Langage0 modèles testés
JMMLU
Langage1DeepSeek R1 Distill Qwen 32B
72.2
2DeepSeek R1 Distill Qwen 14B
63.4
3Qwen2 7B Instruct
56.5
4Qwen2 VL 7B Instruct
56.3
5Meta Llama 3 8B Instruct
46.7
12 modèles testés
JNLI
Langage1DeepSeek R1 Distill Qwen 32B
85.6
2DeepSeek R1 Distill Qwen 14B
82.4
3Qwen2 7B Instruct
81.3
4Qwen2 VL 7B Instruct
74.4
5DeepSeek R1 Distill Llama 8B
69.4
12 modèles testés
JSQuAD
Langage1Qwen2 VL 7B Instruct
89.9
2DeepSeek R1 Distill Qwen 14B
89.8
3Qwen2 7B Instruct
89.6
4Meta Llama 3 8B Instruct
89.5
5DeepSeek R1 Distill Qwen 32B
89.2
12 modèles testés
LLM-JP · Overall
Langage1DeepSeek R1 Distill Qwen 32B
59.3
2DeepSeek R1 Distill Qwen 14B
56.8
3Qwen2 VL 7B Instruct
53.0
4Qwen2 7B Instruct
51.7
5Meta Llama 3 8B Instruct
49.6
12 modèles testés
LiveBench · If
Langage1Qwen3.7 Max
74.0
2GLM 5.1
68.5
3Gemma 4 31B
67.6
4GPT-5.1-Codex-Max
67.1
5GPT-5.2-Codex
66.5
40 modèles testés
LiveBench · Language
Langage1Qwen3.7 Max
79.7
2DeepSeek V4 Pro
78.1
3Kimi K2.7 Code
77.9
4GLM 5
77.5
5MiniMax M3
76.8
40 modèles testés
OpenCompass · IFEval
Langage1Kimi K2.5
93.9
2Step 3.5 Flash
93.2
3GLM 5
93.2
4Kimi K2 Thinking
92.4
5DeepSeek V3.2 Speciale
91.7
34 modèles testés
Multimodal
VideoMME
Multimodal1Gemini 1.5 Pro (Feb 2024)
66.7
2Qwen2.5 72B Instruct
64.7
3GPT-4o (2024-11-20)
62.5
4GPT-4o (2024-08-06)
62.5
5Gemini 1.5 Flash (May 2024)
60.4
8 modèles testés