Benchmarks
159 benchmarks em 11 categorias. Clique para ver a classificação completa.
Programação
Aider — Code Editing
Programação1
o1
84.2
2
Claude 3.5 Sonnet
84.2
3
o1-preview
79.7
4
GPT-4o (2024-05-13)
72.9
5
GPT-4o (2024-11-20)
71.4
29 modelos testados
Aider polyglot
Programação1
GPT-5 Chat
88.0
2
GPT-5
88.0
3
o3 Pro
84.9
4
Gemini 2.5 Pro
83.1
5
Gemini 2.5 Pro Preview 06-05
83.1
54 modelos testados
CadEval
Programação1
o3
74.0
2
Gemini 2.5 Pro
64.0
3
o4 Mini
62.0
4
o1
56.0
5
Claude 3.7 Sonnet
54.0
17 modelos testados
Cybench
Programação1
Claude Opus 4.6
93.0
2
Claude Opus 4.5
82.0
3
Claude Sonnet 4.5
60.0
4
Grok 4
43.0
5
Claude Opus 4.1
42.0
21 modelos testados
Deepswe
Programação1
GPT-6 Astra
74.1
2
Gemini 3.8 Flash
73.8
3
Claude Opus 5
73.7
4
GPT-5.6 Sol
72.7
5
Claude Fable 5
69.9
23 modelos testados
Frontiercode
Programação1
Claude Opus 5.5
54.6
2
Claude Fable 5
53.5
3
Claude Opus 5
53.4
4
GPT-6 Astra
53.3
5
Claude Sonnet 5.5
52.1
40 modelos testados
Frontierswe
Programação1
GPT-6 Astra
65.5
2
Claude Opus 5.5
62.3
3
Claude Sonnet 5.5
61.9
4
Claude Fable 5.1
56.3
5
Gemini 4 Argon
55.0
17 modelos testados
GSO-Bench
Programação1
Claude Fable 5.1
88.2
2
GPT-6 Astra
79.4
3
Claude Fable 5
78.4
4
GPT-5.6 Sol
76.5
5
Claude Opus 4.8
47.1
27 modelos testados
LiveBench — Agentic Coding
Programação1
GLM 5.2
73.3
2
Kimi K2.7 Code
70.0
3
MiniMax M3
60.0
4
DeepSeek V4 Pro
56.7
5
GPT-5.1-Codex-Max
56.7
40 modelos testados
LiveBench — Coding
Programação1
GPT-5.2-Codex
83.6
2
GPT-5.1-Codex-Max
81.4
3
GLM 5.2
79.7
4
Qwen3.6 Plus
78.2
5
GPT-5 Mini
76.1
40 modelos testados
Mirrorcode
Programação1
Claude Opus 5.5
77.4
2
Claude Fable 5.1
73.3
3
Claude Fable 5
63.9
4
GPT-6 Astra
46.7
5
Claude Opus 4.7
31.1
8 modelos testados
OpenCompass — LiveCodeBenchV6
Programação1
GLM 5
86.2
2
Step 3.5 Flash
83.9
3
GLM 4.7
83.8
4
Qwen3.5 397B A17B
83.0
5
DeepSeek V3.2 Speciale
80.9
34 modelos testados
SWE-Bench verified
Programação1
Claude Mythos Preview
93.9
2
Claude Opus 4.7
83.5
3
Gemini 3.5 Flash
79.3
4
Claude Opus 4.6
78.7
5
GLM 5.2
78.7
32 modelos testados
SWE-Bench Verified (Bash Only)
Programação1
Claude Opus 4.5
74.4
2
GPT-5.2
71.8
3
Claude Sonnet 4.5
70.6
4
Claude Opus 4
67.6
5
GPT-5.1
66.0
19 modelos testados
Terminal Bench
Programação1
GPT-5.5
82.7
2
Claude Mythos Preview
82.0
3
GPT-5.4
81.8
4
Gemini 3.1 Pro Preview
80.2
5
Claude Opus 4.7
80.2
36 modelos testados
WeirdML
Programação1
GPT-6 Astra
93.6
2
Claude Fable 5.1
92.9
3
Claude Fable 5
91.9
4
Claude Opus 5
91.8
5
GPT-5.6 Sol
89.4
116 modelos testados
Conhecimento
ANLI
Conhecimento1
GPT-3.5 Turbo (older v0613)
37.1
2
phi-3-small 7.4B
37.1
3
Llama 3-70B
36.0
4
Llama 3 8B Instruct
36.0
5
phi-3-medium 14B
33.7
11 modelos testados
ARC AI2
Conhecimento1
Llama 3.1 405B
93.7
2
DeepSeek V3
93.7
3
Qwen2.5 72B Instruct
92.7
4
DeepSeek-V2 (MoE-236B, May 2024)
89.6
5
phi-3-medium 14B
88.8
52 modelos testados
AudioMultiChallenge — Audio Output
Conhecimento0 modelos testados
AudioMultiChallenge — Text Output
Conhecimento1
Gemini 2.5 Pro
46.9
2
Gemini 2.5 Flash
40.0
3
Voxtral Small 24B 2507
26.3
3 modelos testados
Balrog
Conhecimento1
GPT-6 Astra
68.3
2
Claude Opus 5
63.4
3
GPT-5.6 Sol
60.0
4
Gemini 3 Pro
58.1
5
Gemini 3.1 Pro Preview
57.0
36 modelos testados
Chess Puzzles
Conhecimento1
GPT-6 Astra
72.6
2
GPT-6.1 Sol
66.3
3
GPT-5.6 Sol
66.3
4
Claude Opus 5.5
65.3
5
GPT-5.4 Pro
58.6
121 modelos testados
CMMLU
Conhecimento1
Qwen2-72B
89.7
2
Qwen2.5 72B Instruct
85.7
3
GPT-4 Turbo
71.0
4
Llama 3.1 70B Instruct
64.4
5
Qwen-14B
58.7
8 modelos testados
DeepResearch Bench
Conhecimento1
Claude Opus 4.6
55.3
2
GPT-5
55.1
3
Claude Sonnet 4.6
54.9
4
Claude Opus 4.5
54.8
5
Claude Sonnet 4.5
52.6
26 modelos testados
Fiction.LiveBench
Conhecimento1
o3 Pro
97.2
2
GPT-5
97.2
3
Grok 4
94.4
4
Grok 4 Fast
94.4
5
Gemini 2.5 Pro
91.7
49 modelos testados
GeoBench
Conhecimento1
Gemini 3 Flash Preview
88.0
2
Gemini 3 Pro
84.0
3
Gemini 2.5 Pro
81.0
4
GPT-5
81.0
5
o1
80.0
27 modelos testados
GPQA
Conhecimento1
Meta Llama 3 8B
19.7
2
HA
Qwen2.5 72B Instruct Abliterated19.4
3
Qwen2-72B
19.2
4
DeepSeek R1 Distill Qwen 14B
18.3
5
WizardLM-2 8x22B
17.6
78 modelos testados
GPQA diamond
Conhecimento1
Gemini 4 Argon
95.2
2
Claude Mythos Preview
94.5
3
GPT-6 Astra
94.4
4
GPT-5.5 Pro
94.2
5
Claude Sonnet 5.5
94.1
179 modelos testados
HellaSwag
Conhecimento1
GPT-4 Turbo
93.7
2
Llama 3.1 405B
85.6
3
Falcon-180B
85.3
4
DeepSeek V3
85.2
5
DeepSeek-V2 (MoE-236B, May 2024)
82.8
42 modelos testados
HELM — GPQA
Conhecimento1
Gemini 3 Pro
80.3
2
GPT-5 Chat
79.1
3
GPT-5
79.1
4
GPT-5 Mini
75.6
5
o3
75.3
40 modelos testados
HELM — MMLU-Pro
Conhecimento1
Gemini 3 Pro
90.3
2
GPT-5 Chat
86.3
3
Gemini 2.5 Pro
86.3
4
GPT-5
86.3
5
o3
85.9
40 modelos testados
HLE
Conhecimento1
Claude Mythos Preview
56.8
2
GPT-6 Astra
52.5
3
Claude Fable 5.1
43.8
4
Gemini 3.1 Pro Preview
43.7
5
Claude Sonnet 5.5
43.4
39 modelos testados
Humanity's Last Exam
Conhecimento0 modelos testados
Humanity's Last Exam (Text Only)
Conhecimento0 modelos testados
LAMBADA
Conhecimento1
Falcon-180B
79.8
2
Llama 2-13B
76.5
3
LLaMA-13B
75.2
4
U
Baichuan 2-7B73.3
5
U
internlm-20b71.8
9 modelos testados
Lech Mazur Writing
Conhecimento1
Qwen3 Max
87.1
2
o3 Pro
86.3
3
GPT-5
86.0
4
Kimi K2 0711
85.6
5
Claude Opus 4.1
85.4
46 modelos testados
LiveBench — Overall
Conhecimento1
GLM 5.2
76.2
2
GPT-5.2-Codex
74.3
3
Qwen3.7 Max
74.3
4
DeepSeek V4 Pro
73.6
5
GPT-5.1-Codex-Max
72.0
40 modelos testados
MMLU
Conhecimento1
GPT-4o (2024-11-20)
84.1
2
DeepSeek V3
82.9
3
Claude 3.5 Sonnet
82.0
4
GPT-4 (older v0314)
81.9
5
Llama 3.3 70B Instruct
81.7
83 modelos testados
MMLU-PRO
Conhecimento1
Qwen2-72B
52.6
2
Qwen2.5 32B Instruct
51.9
3
Qwen2.5 72B Instruct
51.4
4
HA
Qwen2.5 72B Instruct Abliterated50.4
5
Phi 4
48.3
78 modelos testados
OpenBookQA
Conhecimento1
phi-3-small 7.4B
84.0
2
phi-3-mini 3.8B
84.0
3
phi-3-medium 14B
83.2
4
GPT-3.5 Turbo (older v0613)
81.3
5
Mixtral 8x7B Instruct
81.1
27 modelos testados
OpenCompass — GPQA-Diamond
Conhecimento1
Qwen3.5 397B A17B
88.4
2
Kimi K2.5
88.1
3
GLM 4.7
86.9
4
DeepSeek V3.2 Speciale
86.7
5
GLM 5
85.3
34 modelos testados
OpenCompass — HLE
Conhecimento1
DeepSeek V3.2 Speciale
28.6
2
Kimi K2.5
28.6
3
GLM 5
28.1
4
Qwen3.5 397B A17B
27.5
5
GLM 4.7
25.4
34 modelos testados
OpenCompass — MMLU-Pro
Conhecimento1
Qwen3.5 397B A17B
87.6
2
Kimi K2.5
86.2
3
DeepSeek V3.2
85.8
4
Gemini 2.5 Pro
85.8
5
DeepSeek V3.2 Speciale
85.5
34 modelos testados
PIQA
Conhecimento1
GPT-4o-mini (2024-07-18)
77.4
2
GPT-4o-mini
77.4
3
Gemini 1.5 Flash (May 2024)
75.0
4
Llama 3.1 405B
71.8
5
Falcon-180B
69.8
33 modelos testados
PostTrainBench
Conhecimento1
Claude Fable 5
41.8
2
GPT-5.6 Sol
36.2
3
Claude Opus 5
35.0
4
Claude Opus 4.8
33.8
5
Kimi K3
32.0
23 modelos testados
Professional Reasoning — Finance
Conhecimento1
Claude Opus 4.6 (Fast)
53.3
2
Claude Opus 4.6
53.3
3
GPT-5
51.3
4
GPT-5 Pro
51.1
5
o3 Pro
49.1
6 modelos testados
Professional Reasoning — Legal
Conhecimento1
Claude Opus 4.6 (Fast)
52.3
2
Claude Opus 4.6
52.3
3
GPT-5 Pro
49.9
4
o3 Pro
49.7
5
GPT-5
49.0
6 modelos testados
ScienceQA
Conhecimento1
GPT-4o (2024-05-13)
84.7
2
GPT-4o (2024-11-20)
84.7
3
Claude 3 Haiku
62.7
4
Llama 2-13B
41.0
5
LLaMA-13B
24.4
5 modelos testados
SimpleQA Verified
Conhecimento1
Gemini 4 Argon
76.0
2
GPT-6 Astra
75.6
3
GPT-6.1 Sol
73.9
4
Gemini 3.1 Pro Preview
73.5
5
Gemini 3 Pro
72.9
87 modelos testados
SpireClimb
Conhecimento1
GPT-6 Astra
25.7
2
GPT-6.1 Sol
24.7
3
GPT-6 Sol
7.5
4
Claude Opus 5.5
3.3
5
Claude Fable 5.1
2.0
7 modelos testados
TriviaQA
Conhecimento1
Claude 2
87.5
2
U
PaLM 2-L86.1
3
GPT-3.5 Turbo (older v0613)
85.8
4
GPT-4 Turbo
84.8
5
DeepSeek V3
82.9
25 modelos testados
VisualToolBench (VTB)
Conhecimento1
Gemini 3.1 Pro Preview
29.0
2
Claude Opus 4.6 (Fast)
27.5
3
Claude Opus 4.6
27.5
3 modelos testados
VPCT
Conhecimento1
Gemini 3 Pro
86.5
2
GPT-5.2
76.0
3
Gemini 3 Flash Preview
58.9
4
GPT-5
49.0
5
GPT-5.1
38.0
23 modelos testados
Winogrande
Conhecimento1
Llama 3.1 405B
78.4
2
Claude 3 Opus
77.0
3
GPT-4 (older v0314)
75.0
4
GPT-4 Turbo
75.0
5
Falcon-180B
74.2
53 modelos testados
Agêntico
APEX-Agents
Agêntico1
Gemini 4 Argon
82.4
2
Claude Sonnet 5.5
75.5
3
Claude Opus 5.5
73.5
4
Claude Fable 5.1
68.6
5
Gemini 3.7 Flash
67.8
69 modelos testados
OSWorld
Agêntico1
Claude Mythos Preview
79.6
2
GPT-5.5
78.7
3
Claude Sonnet 4.6
72.1
4
Claude Opus 4.5
66.3
5
Kimi K2.5
63.3
10 modelos testados
SWE Atlas — Codebase QnA
Agêntico1
Claude Opus 4.6 (Fast)
33.3
2
Claude Opus 4.6
33.3
3
GPT-5.3-Codex
32.6
4
Claude Sonnet 4.6
31.2
4 modelos testados
SWE Atlas — Test Writing
Agêntico1
Claude Opus 4.6 (Fast)
36.7
2
Claude Opus 4.6
36.7
3
Claude Sonnet 4.6
31.8
3 modelos testados
SWE-Bench Pro (Private)
Agêntico1
Claude Opus 4.5
23.4
2
Gemini 2.5 Pro Preview 06-05
10.1
2 modelos testados
The Agent Company
Agêntico1
DeepSeek V3.2 Exp
42.9
2
Gemini 2.5 Flash
41.1
3
Claude Sonnet 4
33.1
4
Claude 3.7 Sonnet
30.9
5
Gemini 2.5 Pro
30.3
15 modelos testados
Raciocínio
ARC-AGI
Raciocínio1
Claude Fable 5
98.5
2
GPT-6 Astra
98.5
3
Claude Opus 5.5
98.5
4
GPT-6.1 Sol
98.5
5
Gemini 3.8 Flash
98.5
80 modelos testados
ARC-AGI-2
Raciocínio1
GPT-6 Astra
95.0
2
GPT-6.1 Sol
94.2
3
Claude Opus 5.5
93.3
4
GPT-5.6 Sol
92.5
5
Claude Opus 5
90.4
83 modelos testados
BBH
Raciocínio1
Gemini 1.5 Pro (May 2024)
85.6
2
DeepSeek V3
83.3
3
Gemini 1.5 Pro (Feb 2024)
78.7
4
Llama 3.1 405B
77.2
5
phi-3-medium 14B
75.2
28 modelos testados
HELM — WildBench
Raciocínio1
GPT-5.1
86.3
2
Kimi K2 0711
86.2
3
o3
86.1
4
Gemini 3 Pro
85.9
5
GPT-5 Chat
85.7
40 modelos testados
LiveBench — Data Analysis
Raciocínio1
GPT-5.2-Codex
78.2
2
MiniMax M3
76.2
3
DeepSeek V4 Pro
74.5
4
GLM 5.2
73.7
5
Qwen3.7 Max
71.8
40 modelos testados
LiveBench — Reasoning
Raciocínio1
GPT-5.1-Codex-Max
84.6
2
Qwen3.7 Max
83.3
3
Kimi K2.7 Code
82.8
4
DeepSeek V4 Pro
82.7
5
GPT-5.1-Codex
82.0
40 modelos testados
MUSR
Raciocínio1
DeepSeek R1 Distill Qwen 14B
28.7
2
Hermes 3 70B Instruct
23.4
3
Llama 3 8B Instruct
19.9
4
Qwen2-72B
19.7
5
U
Stable Beluga 218.6
78 modelos testados
SimpleBench
Raciocínio1
Claude Fable 5
78.3
2
Claude Opus 5
76.7
3
Gemini 3.1 Pro Preview
75.5
4
Gemini 3.5 Flash
72.0
5
Gemini 3 Pro
71.7
78 modelos testados
Velocidade
Artificial Analysis — Agentic Index
Velocidade1
GPT-5.4
69.4
2
Claude Opus 4.6 (Fast)
67.6
3
GLM 5 Turbo
63.1
4
MiMo-V2-Pro
62.8
5
GPT-5.3-Codex
62.2
88 modelos testados
Artificial Analysis — Coding Index
Velocidade1
Claude Fable 5
76.5
2
Claude Opus 4.8 (Fast)
74.3
3
Claude Opus 4.7 (Fast)
73.6
4
Gemini 3.5 Flash
70.1
5
Gemini 3.1 Pro Preview
68.8
89 modelos testados
Artificial Analysis — Quality Index
Velocidade1
Claude Fable 5
59.9
2
Claude Opus 5.5
57.6
3
GPT-5.4
57.2
4
Claude Sonnet 5.5
56.0
5
Claude Opus 4.8 (Fast)
55.7
135 modelos testados
Artificial Analysis · CritPt
Velocidade1
GPT-6 Astra
31.7
2
Claude Opus 5.5
31.7
3
GPT-6.1 Sol
31.7
4
Claude Sonnet 5.5
31.4
5
GPT-5.6 Terra
30.0
69 modelos testados
Artificial Analysis · GDPval
Velocidade1
Claude Opus 5.5
68.3
2
Claude Sonnet 5.5
66.9
3
Claude Fable 5.1
62.7
4
Grok 4.7
60.6
5
MiMo-V2.6-Pro
59.2
60 modelos testados
Artificial Analysis · GPQA Diamond
Velocidade1
GPT-6 Astra
96.1
2
Gemini 3.8 Flash
95.3
3
Gemini 3.1 Pro Preview
94.1
4
Claude Fable 5.1
93.7
5
Kimi K3
93.5
55 modelos testados
1
Claude Opus 5.5
61.4
2
Claude Fable 5.1
59.1
3
Gemini 4 Argon
57.1
4
Claude Sonnet 5.5
55.0
5
GPT-6 Astra
54.7
70 modelos testados
Artificial Analysis · IFBench
Velocidade1
MiniMax M3
82.9
2
Nemotron 3 Ultra
81.4
3
Qwen3.7 Plus
78.0
4
Gemini 3.1 Pro Preview
77.1
5
Gemma 4 31B
75.6
37 modelos testados
1
Kimi K3
88.7
2
Step 5 Preview
88.3
3
MiMo-V2.6-Pro
86.3
4
Claude Fable 5.1
85.3
5
Claude Opus 5.5
84.7
69 modelos testados
Artificial Analysis · MMMU Pro
Velocidade1
Claude Opus 5.5
87.7
2
GPT-6 Astra
86.9
3
GPT-6.1 Sol
86.0
4
Gemini 3.8 Flash
85.6
5
Qwen3.8 Max (0902)
82.8
35 modelos testados
Artificial Analysis · SciCode
Velocidade1
Claude Opus 5.5
66.9
2
Claude Fable 5.1
63.1
3
Gemini 4 Argon
61.8
4
Claude Sonnet 5.5
61.0
5
MiMo-V2.6-Pro
60.9
55 modelos testados
Artificial Analysis · tau2-Bench Telecom
Velocidade1
Gemini 3.1 Pro Preview
95.6
2
Qwen3.6 35B A3B
95.3
3
Mistral Medium 3.5
94.2
4
Qwen3.7 Plus
93.0
5
Qwen3.5 4B
92.1
37 modelos testados
1
GPT-5.6 Terra
57.6
2
Gemini 3.1 Pro Preview
53.8
3
GPT-5.3-Codex
53.0
4
Qwen3.7 Plus
47.0
5
Kimi K2.7 Code
44.7
37 modelos testados
Geral
BBH (HuggingFace)
Geral1
Qwen2.5 72B Instruct
61.9
2
HA
Qwen2.5 72B Instruct Abliterated60.5
3
Llama 3.3 70B Instruct
56.6
4
Qwen2.5 32B Instruct
56.5
5
Llama 3.1 70B Instruct
55.9
78 modelos testados
Cl Bench
Geral1
GPT-5.4
27.9
2
GPT-5.1
23.7
3
Grok 4.20
22.2
4
Claude Opus 4.5
21.1
5
Gemini 3.1 Pro Preview
20.8
19 modelos testados
Cl Bench Life
Geral1
GPT-5.4
21.7
2
GPT-5.1
17.3
3
Claude Opus 4.6
17.0
4
Gemini 3.1 Pro Preview
16.9
5
DeepSeek V4 Pro
13.5
12 modelos testados
Dtbench
Geral1
Claude Opus 5.5
98.2
2
Claude Fable 5
97.3
3
Claude Opus 5
96.5
4
Claude Fable 5.1
96.0
5
GPT-6 Astra
95.5
135 modelos testados
Ebr Bench
Geral1
GPT-6 Astra
76.2
2
Claude Opus 5.5
71.4
3
Claude Fable 5.1
57.1
4
GPT-6.1 Sol
54.3
5
GPT-6 Sol
53.3
24 modelos testados
Exploitbench
Geral1
Claude Opus 4.7
26.5
2
Gemini 3.1 Pro Preview
26.1
3
Claude Sonnet 4.6
23.6
4
Kimi K2.6
18.4
5
GLM 5.1
18.1
7 modelos testados
Furniture Assembly
Geral1
Claude Opus 5.5
76.2
2
GPT-6 Astra
71.4
3
GPT-6.1 Sol
71.4
4
Claude Sonnet 5.5
64.3
5
Gemini 4 Argon
60.7
32 modelos testados
Gdpval
Geral1
GPT-5.2
49.7
2
Claude Opus 4.5
45.5
3
Claude Opus 4.1
43.6
4
Claude Sonnet 4.5
42.5
5
Gemini 3 Pro
40.3
11 modelos testados
Lmca
Geral1
Claude Opus 5.5
80.3
2
Claude Fable 5.1
77.0
3
Claude Opus 5
75.8
4
GPT-6 Astra
75.7
5
Claude Fable 5
71.9
113 modelos testados
Metr Time Horizons
Geral1
Claude Opus 4.6
78.9
2
Gemini 3.1 Pro Preview
77.0
3
GPT-5.2
75.3
4
Claude Opus 4.5
75.0
5
GPT-5.3-Codex
74.5
29 modelos testados
Mystery Game Puzzles
Geral1
GPT-6 Astra
82.4
2
GPT-6.1 Sol
78.0
3
Claude Opus 5.5
68.0
4
Claude Sonnet 5.5
61.5
5
Gemini 4 Argon
60.3
73 modelos testados
Osworld 2 0
Geral1
Claude Opus 5
31.4
2
GPT-5.6 Sol
27.3
3
Claude Opus 4.8
20.6
4
Claude Opus 4.7
18.2
5
Claude Sonnet 4.6
9.3
8 modelos testados
Proofbench
Geral1
Claude Fable 5.1
100.0
2
Claude Opus 5.5
100.0
3
Claude Sonnet 5.5
100.0
4
GPT-6 Astra
99.0
5
Claude Opus 5
99.0
63 modelos testados
Remote Labor Index
Geral1
Claude Opus 5.5
21.3
2
GPT-6 Astra
20.8
3
Claude Fable 5.1
17.9
4
Claude Fable 5
16.1
5
Claude Opus 4.8
8.3
14 modelos testados
1
Claude Fable 5
95.0
2
Kimi K3
95.0
3
GPT-5.6 Sol
93.1
4
Claude Opus 4.8
87.5
5
GPT-5.6 Terra
83.8
22 modelos testados
Arena
1
Qwen3.8 Max (0902)
1671.2
2
Claude Fable 5
1653.9
3
MiMo-V2.6-Pro
1618.4
4
GLM 5.3 Flash
1615.6
5
GLM 5.2
1593.3
58 modelos testados
1
Claude Fable 5
1507.6
2
Claude Opus 4.6 (Fast)
1503.7
3
Claude Opus 4.6
1497.3
4
Claude Opus 4.7
1494.1
5
U
Muse Spark1489.3
148 modelos testados
Segurança
Matemática
FrontierMath-2025-02-28-Private
Matemática1
U
Muse Spark68.4
2
Gemini 3 Pro
66.0
3
GPT-5.4 Pro
50.0
4
GPT-5.4
47.6
5
Claude Opus 4.8
47.2
67 modelos testados
FrontierMath-Tier-4-2025-07-01-Private
Matemática1
GPT-5.4 Pro
37.5
2
GPT-5.2 Pro
31.3
3
Claude Opus 4.8
31.3
4
Gemini 3 Pro
31.3
5
GPT-5.4
27.1
49 modelos testados
FrontierMath-Tier-4-v2-Private
Matemática1
GPT-6.1 Sol
100.0
2
GPT-6 Astra
97.6
3
Claude Opus 5.5
95.0
4
Claude Fable 5
90.2
5
GPT-6 Sol
90.0
58 modelos testados
FrontierMath-Tiers-1-3-v2-Private
Matemática1
GPT-6 Astra
93.7
2
GPT-6.1 Sol
93.7
3
Claude Opus 5.5
91.2
4
Claude Fable 5.1
90.2
5
GPT-6 Sol
89.8
77 modelos testados
GSM8K
Matemática1
GPT-4 (older v0314)
92.0
2
GPT-4o-mini (2024-07-18)
91.3
3
GPT-4o-mini
91.3
4
Qwen2.5 Coder 32B Instruct
91.1
5
GPT-4 Turbo
90.0
43 modelos testados
HELM — Omni-MATH
Matemática1
GPT-5 Mini
72.2
2
o4 Mini
72.0
3
o3
71.4
4
gpt-oss-120b
68.8
5
Kimi K2 0711
65.4
40 modelos testados
LiveBench — Mathematics
Matemática1
DeepSeek V4 Pro
90.7
2
GLM 5.2
89.8
3
GPT-5.2-Codex
88.8
4
Qwen3.7 Max
85.3
5
GLM 5.1
84.9
40 modelos testados
MATH level 5
Matemática1
GPT-5
98.1
2
GPT-5 Mini
97.8
3
o4 Mini
97.8
4
o3
97.8
5
Claude Sonnet 4.5
97.7
81 modelos testados
MATH Level 5
Matemática1
Qwen2.5 32B Instruct
62.5
2
HA
Qwen2.5 72B Instruct Abliterated60.1
3
Qwen2.5 72B Instruct
59.8
4
DeepSeek R1 Distill Qwen 14B
57.0
5
Qwen2.5 14B Instruct
55.3
78 modelos testados
OpenCompass — AIME2025
Matemática1
DeepSeek V3.2 Speciale
96.0
2
GLM 5
95.8
3
Step 3.5 Flash
95.7
4
GLM 4.7
95.4
5
Kimi K2 Thinking
94.1
34 modelos testados
OTIS Mock AIME 2024-2025
Matemática1
Claude Fable 5
100.0
2
Claude Fable 5.1
100.0
3
GPT-6 Astra
100.0
4
Claude Opus 5.5
100.0
5
GPT-6 Sol
100.0
168 modelos testados
Linguagem
HELM — IFEval
Linguagem1
Grok 3 Mini Beta
95.1
2
Grok-3 mini
95.1
3
Grok 4
94.9
4
GPT-5.1
93.5
5
GPT-5 Nano
93.2
40 modelos testados
IFEval
Linguagem1
Llama 3.3 70B Instruct
90.0
2
Llama 3.1 70B Instruct
86.7
3
Qwen2.5 72B Instruct
86.4
4
HA
Qwen2.5 72B Instruct Abliterated85.9
5
Qwen2.5 32B Instruct
83.5
78 modelos testados
JCommonsenseQA
Linguagem1
DeepSeek R1 Distill Qwen 32B
95.3
2
DeepSeek R1 Distill Qwen 14B
93.7
3
Qwen2 7B Instruct
89.1
4
Qwen2 VL 7B Instruct
87.8
5
Meta Llama 3 8B Instruct
87.7
12 modelos testados
JHumanEval
Linguagem0 modelos testados
JMMLU
Linguagem1
DeepSeek R1 Distill Qwen 32B
72.2
2
DeepSeek R1 Distill Qwen 14B
63.4
3
Qwen2 7B Instruct
56.5
4
Qwen2 VL 7B Instruct
56.3
5
Meta Llama 3 8B Instruct
46.7
12 modelos testados
JNLI
Linguagem1
DeepSeek R1 Distill Qwen 32B
85.6
2
DeepSeek R1 Distill Qwen 14B
82.4
3
Qwen2 7B Instruct
81.3
4
Qwen2 VL 7B Instruct
74.4
5
DeepSeek R1 Distill Llama 8B
69.4
12 modelos testados
JSQuAD
Linguagem1
Qwen2 VL 7B Instruct
89.9
2
DeepSeek R1 Distill Qwen 14B
89.8
3
Qwen2 7B Instruct
89.6
4
Meta Llama 3 8B Instruct
89.5
5
DeepSeek R1 Distill Qwen 32B
89.2
12 modelos testados
LiveBench — If
Linguagem1
Qwen3.7 Max
74.0
2
GLM 5.1
68.5
3
Gemma 4 31B
67.6
4
GPT-5.1-Codex-Max
67.1
5
GPT-5.2-Codex
66.5
40 modelos testados
LiveBench — Language
Linguagem1
Qwen3.7 Max
79.7
2
DeepSeek V4 Pro
78.1
3
Kimi K2.7 Code
77.9
4
GLM 5
77.5
5
MiniMax M3
76.8
40 modelos testados
LLM-JP — Overall
Linguagem1
DeepSeek R1 Distill Qwen 32B
59.3
2
DeepSeek R1 Distill Qwen 14B
56.8
3
Qwen2 VL 7B Instruct
53.0
4
Qwen2 7B Instruct
51.7
5
Meta Llama 3 8B Instruct
49.6
12 modelos testados
OpenCompass — IFEval
Linguagem1
Kimi K2.5
93.9
2
Step 3.5 Flash
93.2
3
GLM 5
93.2
4
Kimi K2 Thinking
92.4
5
DeepSeek V3.2 Speciale
91.7
34 modelos testados
Multimodal
VideoMME
Multimodal1
Gemini 1.5 Pro (Feb 2024)
66.7
2
Qwen2.5 72B Instruct
64.7
3
GPT-4o (2024-11-20)
62.5
4
GPT-4o (2024-08-06)
62.5
5
Gemini 1.5 Flash (May 2024)
60.4
8 modelos testados