ACEBench厂商自报 · 越高越好
76.5%
Accuracy
成绩出处Aider-Polyglot厂商自报 · 越高越好
60%
Accuracy
成绩出处AIME 2024厂商自报 · 越高越好
69.6%
Avg@64
成绩出处AIME 2025厂商自报 · 越高越好
49.5%
Avg@64
成绩出处AutoLogi厂商自报 · 越高越好
89.5%
Accuracy
成绩出处CNMO 2024厂商自报 · 越高越好
74.3%
Avg@16
成绩出处GPQA厂商自报 · 越高越好
75.1%
Diamond - Avg@8
成绩出处HMMT 2025厂商自报 · 越高越好
38.8%
Avg@32
成绩出处Humanity's Last Exam厂商自报 · 越高越好
4.7%
Text Only
成绩出处IFEval厂商自报 · 越高越好
89.8%
Prompt Strict
成绩出处LiveBench厂商自报 · 越高越好
76.4%
2024/11/25 Pass@1
成绩出处LiveCodeBench厂商自报 · 越高越好
53.7%
v6 (Aug 24-May 25) Pass@1
成绩出处MATH-500厂商自报 · 越高越好
97.4%
Accuracy
成绩出处MMLU厂商自报 · 越高越好
89.5%
EM
成绩出处MMLU-Pro厂商自报 · 越高越好
81.1%
EM
成绩出处MMLU-Redux厂商自报 · 越高越好
92.7%
EM
成绩出处Multi-Challenge厂商自报 · 越高越好
54.1%
Accuracy
成绩出处MultiPL-E厂商自报 · 越高越好
85.7%
Pass@1
成绩出处OJBench厂商自报 · 越高越好
27.1%
Pass@1
成绩出处PolyMath-en厂商自报 · 越高越好
65.1%
Avg@4
成绩出处SimpleQA厂商自报 · 越高越好
31%
Correct
成绩出处SuperGPQA厂商自报 · 越高越好
57.2%
Accuracy
成绩出处SWE-bench Multilingual厂商自报 · 越高越好
47.3%
Agentic Coding - Single Attempt
成绩出处SWE-Bench Verified厂商自报 · 越高越好
65.8%
Agentic Coding - Single Attempt
成绩出处Tau2 Airline厂商自报 · 越高越好
56.5%
Avg@4
成绩出处Tau2 Retail厂商自报 · 越高越好
70.6%
Avg@4
成绩出处Tau2 Telecom厂商自报 · 越高越好
65.8%
Avg@4
成绩出处Terminal-Bench厂商自报 · 越高越好
25%
Terminus
成绩出处ZebraLogic厂商自报 · 越高越好
89%
Accuracy
成绩出处
