2026-05-22
- Modele nou testate: Qwen3.7 Max Am adăugat acoperire de benchmark pentru Qwen 3.7 Max.
- Teste noi adăugate: Am adăugat o nouă categorie de test Coding axată pe găsirea de bug-uri în soluții C++.
AI BENCHY
Jurnal de modificări
Un jurnal simplu al actualizărilor de produs și benchmark, grupat după dată. Îl folosim pentru a nota modelele nou testate, retestările, schimbările de benchmark și lucrările UX/produs lansate.
2026-05-21
- Modele nou testate: Gemini 3.5 Flash, Grok Build 0.1 S-a adăugat acoperire de benchmark pentru Google Gemini 3.5 Flash și xAI Grok Build 0.1.
- Remediere de bug: Varianta xAI Grok Build 0.1 fără raționament, nesuportată, a fost eliminată după ce validarea furnizorului a cerut raționament.
2026-05-08
- Modele nou testate: Gemini 3.1 Flash Lite Added benchmark coverage for Google Gemini 3.1 Flash Lite.
- Remediere de bug: Reasoning chips and compare labels now recognize the minimal reasoning variant instead of falling back to auto.
- UX: Model pages now order sibling reasoning-variant chips from highest effort to lowest.
2026-05-06
- Modele nou testate: Cobuddy Am adăugat acoperire de benchmark pentru Baidu CoBuddy.
2026-05-01
- Modele nou testate: Grok 4.3, Granite 4.1 8B Am adăugat acoperire de benchmark pentru xAI Grok 4.3 și IBM Granite 4.1 8B.
2026-04-30
- Modele nou testate: Owl Alpha Am adăugat acoperire de benchmark pentru Owl Alpha.
2026-04-26
- UX: Am îmbunătățit poziționarea meniului de comparare pe mobil, am compactat layoutul paginilor de model și am împărțit istoricul rulărilor în sharduri pe model, ca paginile să încarce mai puține date istorice.
- Remediere de bug: Istoricul rulărilor grupează acum retestările aproape duplicate din aceeași suită și afișează toate rulările publice într-un tabel comparativ direct pe paginile de model.
2026-04-25
- Funcționalitate nouă: Am adăugat telemetrie pentru fiabilitate, astfel încât erorile API-ului țintă și de limită de rată să fie urmărite separat de răspunsurile greșite.
2026-04-24
- Modele nou testate: DeepSeek V4 Flash, DeepSeek V4 Pro Am adăugat acoperire de benchmark pentru DeepSeek V4 Flash și DeepSeek V4 Pro.
- Modele nou testate: GPT-5.5 Am adăugat acoperire de benchmark pentru OpenAI GPT-5.5.
- Remediere de bug: Linkurile de modele din changelog duc acum la paginile canonice active ale modelelor, iar paginile de model au acum și legături între variantele de raționament.
2026-04-23
- Modele nou testate: inclusionai/ling-2.6-1t:free Am adăugat acoperire de benchmark pentru InclusionAI Ling 2.6 1T Free.
- Funcționalitate nouă: Istoric rulări - Paginile modelelor afișează acum rulările publice istorice și un tabel de comparație între două rulări. (Pagină exemplu model)
- UX: Clasamentul acceptă acum paginare și filtre bazate pe URL, plus acțiuni directe de comparare din lista de ranking.
- Remediere de bug: Căutarea de pe homepage, numărul filtrelor și starea paginării rămân acum consecvente pentru întregul set de date.
- Retestare: GLM 5.1 Am rulat din nou suita completă de benchmark și am curățat snapshot-ul public de istoric al rulărilor pentru acest model.
- Remediere de bug: Am împiedicat modelele fără retestare reală să primească un nou timestamp tested_at.
Pagină de jurnal creată
Acest changelog a început după lansare, așa că unele actualizări mai vechi lipsesc de aici.
2026-02-15
- Lansare inițială