الاختبارات والمقارنات
نتائج الاختبارات المنشورة للنماذج التي نتابعها جنبًا إلى جنب. كل رقم مأخوذ من بطاقة النموذج أو إعلان رسمي أو لوحة صدارة عامة — اضغط على أي نتيجة لترى مصدرها.
اقرأ هذا أولًا
تُجري المختبرات الاختبارات بإعدادات مختلفة (مستوى التفكير، الأدوات المتاحة، عدد المحاولات)، لذلك فرق نقطتين نادرًا ما يعني شيئًا. استخدم النتائج لتضييق الاختيارات، ثم جرّب النماذج على مهامك أنت. الخانة الفارغة تعني أننا لم نجد نتيجة منشورة يمكن التحقق منها.
اختبارات البرمجة والوكلاء والاستدلال والمعرفة.النماذج اللغوية ومتعددة الوسائط
تقييمات Elo من مقارنات عمياء يصوّت فيها المستخدمون.نماذج الصور والفيديو والصوت
| النموذج | Image Arena Elo (AA) | Video Arena Elo (AA) | Voice Arena Elo (AA) |
|---|---|---|---|
| Nano Banana 2.1 |
1173 (rank 4) | — | — |
| FLUX 3 Image Black Forest Labs |
1115 (rank 13) | — | — |
| Eleven v4 ElevenLabs |
— | — | 1328±17 (rank #2, behind Eleven v4 Turbo) |
| Eleven v4 Turbo ElevenLabs |
— | — | 1330±18 (rank #1) |
| GPT Image 2.5 (Flare and Sunburst) OpenAI |
1217 (rank 1) | — | — |
| Gemini Omni Flash 1.1 |
— | 1132 (rank 8) | — |
| Kling 3.0 (Video 3.0 and Omni) Kling AI (Kuaishou) |
— | 1020 (rank 16) | — |
| FLUX.2 ([max], [pro], [flex], [dev], [klein]) Black Forest Labs |
1027 (rank 27) | — | — |
| Nano Banana Pro (Gemini 3 Pro Image) |
1115 (rank 12) | — | — |
| Veo 3.1 (Standard, Fast, Lite) |
— | 968 (rank 20) | — |
مسردماذا يقيس كل اختبار
Terminal-Bench
مهام يجب على النموذج إنجازها بتنفيذ أوامر داخل سطر أوامر حقيقي. يقيس قدرة الوكلاء على العمل باستخدام الأدوات.
GPQA Diamond
أسئلة اختيار من متعدد بمستوى الدراسات العليا في الأحياء والفيزياء والكيمياء، صيغت بحيث لا يفيد البحث على الإنترنت في حلها. يقيس الاستدلال المتخصص.
Humanity's Last Exam
أسئلة شديدة الصعوبة في مجالات كثيرة كتبها خبراء متخصصون. النتائج المنخفضة طبيعية هنا، فهو يختبر أقصى حدود النماذج.
SWE-bench
مشكلات حقيقية من مستودعات GitHub، وعلى النموذج كتابة تعديل يجعل اختبارات المشروع تنجح. يقيس البرمجة وإصلاح الأخطاء عمليًا.
OSWorld
يتحكم النموذج في جهاز كمبيوتر حقيقي لإنجاز مهام مكتبية. يقيس وكلاء استخدام الحاسوب.
GDPval
مهام عمل واقعية من مهن مختلفة تُقارَن نتائجها بعمل الخبراء. يقيس الفائدة الفعلية في الأعمال المعرفية.
MMLU-Pro
اختبار معرفة باختيارات متعددة في مواد أكاديمية كثيرة، وهو نسخة أصعب من MMLU الذي اقتربت النماذج من حله بالكامل.
LiveCodeBench
مسائل برمجة تنافسية جديدة تُجمع باستمرار، مما يقلل احتمال أن يكون النموذج قد رآها أثناء تدريبه.
Arena Elo
مقارنات عمياء يختار فيها المستخدمون الناتج الأفضل (نص أو صورة أو فيديو أو صوت)، وتتغير تقييمات Elo مع الوقت.