Un test este considerat trecut complet doar dacă toate rulările lui trec.Formatare suplimentară: 3Răspuns greșit: 2Timp de răspuns (medie)5.94sTimp de răspuns (maxim)23.84sTimp de răspuns (total)47.55sUn test este considerat trecut complet doar dacă toate rulările lui trec.…
Un test este considerat trecut complet doar dacă toate rulările lui trec.Răspuns greșit: 5Nu a urmat instrucțiunile: 3Timp de răspuns (medie)2.47sTimp de răspuns (maxim)14.63sTimp de răspuns (total)34.56sUn test este considerat trecut complet doar dacă toate rulările lui trec.…
Consistență
10.0Scorul de consistență reflectă stabilitatea între rulări (10 = foarte consistent, chiar dacă este constant greșit).…
8.3Scorul de consistență reflectă stabilitatea între rulări (10 = foarte consistent, chiar dacă este constant greșit).…
Cost per rezultat
2.460Afișează costul mediu pe răspuns corect în benchmark, în cenți (mai mic este mai bun).…
0.622Afișează costul mediu pe răspuns corect în benchmark, în cenți (mai mic este mai bun).…
Cost total
$0.246Cost total…
$0.044Cost total…
Rată de trecere pe încercare
66.7%Rata de trecere pe încercare = încercări trecute / total încercări pe toate rulările.…
57.8%Rata de trecere pe încercare = încercări trecute / total încercări pe toate rulările.…
Teste instabile
0Testele instabile au avut rezultate mixte între rulări (cel puțin un succes și un eșec).…
3Testele instabile au avut rezultate mixte între rulări (cel puțin un succes și un eșec).…
common.totalAttempts
45 (15 x 3)common.totalAttempts…
45 (15 x 3)common.totalAttempts…
Tokenuri de ieșire
6,703Tokenuri de ieșire…
3,571Tokenuri de ieșire…
Tokenuri de raționament
0Tokenuri de raționament…
45,379Tokenuri de raționament…
Timp de răspuns (medie)
5.94sTimp de răspuns (medie)…
2.47sTimp de răspuns (medie)…
Timp de răspuns (maxim)
23.84sTimp de răspuns (maxim)…
14.63sTimp de răspuns (maxim)…
Timp de răspuns (total)
47.55sTimp de răspuns (total)…
34.56sTimp de răspuns (total)…
Top modele după scor
Timp de răspuns (medie)
Scor vs cost total
Scor mediu vs Timp de răspuns (medie)
Defalcare pe categorii
Trucuri anti-AI
Scor
Consistență
Rată de trecere pe încercare
Teste instabile
Teste corecte
Timp de răspuns (medie)
Tokenuri de ieșire
Tokenuri de raționament
Anthropic: Claude Sonnet 4.6
4.0Scor mediu pe toate testele de benchmark.…
10.0Scorul de consistență reflectă stabilitatea între rulări (10 = foarte consistent, chiar dacă este constant greșit).…
33.3%Rata de trecere pe încercare = încercări trecute / total încercări pe toate rulările.…
0Testele instabile au avut rezultate mixte între rulări (cel puțin un succes și un eșec).…
Un test este considerat trecut complet doar dacă toate rulările lui trec.Formatare suplimentară: 2Timp de răspuns (medie)4.83sTimp de răspuns (maxim)4.83sTimp de răspuns (total)4.83sUn test este considerat trecut complet doar dacă toate rulările lui trec.…
4.83sTimp de răspuns (medie)…
1,199Tokenuri de ieșire…
0Tokenuri de raționament…
Inception: Mercury 2
7.3Scor mediu pe toate testele de benchmark.…
9.8Scorul de consistență reflectă stabilitatea între rulări (10 = foarte consistent, chiar dacă este constant greșit).…
66.7%Rata de trecere pe încercare = încercări trecute / total încercări pe toate rulările.…
0Testele instabile au avut rezultate mixte între rulări (cel puțin un succes și un eșec).…
Un test este considerat trecut complet doar dacă toate rulările lui trec.Nu a urmat instrucțiunile: 1Timp de răspuns (medie)1.30sTimp de răspuns (maxim)2.46sTimp de răspuns (total)3.89sUn test este considerat trecut complet doar dacă toate rulările lui trec.…
1.30sTimp de răspuns (medie)…
2,531Tokenuri de ieșire…
2,410Tokenuri de raționament…
Combinat
Scor
Consistență
Rată de trecere pe încercare
Teste instabile
Teste corecte
Timp de răspuns (medie)
Tokenuri de ieșire
Tokenuri de raționament
Anthropic: Claude Sonnet 4.6
9.0Scor mediu pe toate testele de benchmark.…
10.0Scorul de consistență reflectă stabilitatea între rulări (10 = foarte consistent, chiar dacă este constant greșit).…
100.0%Rata de trecere pe încercare = încercări trecute / total încercări pe toate rulările.…
0Testele instabile au avut rezultate mixte între rulări (cel puțin un succes și un eșec).…
Un test este considerat trecut complet doar dacă toate rulările lui trec.Niciun răspuns eșuat.Timp de răspuns (medie)23.84sTimp de răspuns (maxim)23.84sTimp de răspuns (total)23.84sUn test este considerat trecut complet doar dacă toate rulările lui trec.…
23.84sTimp de răspuns (medie)…
3,766Tokenuri de ieșire…
0Tokenuri de raționament…
Inception: Mercury 2
10.0Scor mediu pe toate testele de benchmark.…
10.0Scorul de consistență reflectă stabilitatea între rulări (10 = foarte consistent, chiar dacă este constant greșit).…
100.0%Rata de trecere pe încercare = încercări trecute / total încercări pe toate rulările.…
0Testele instabile au avut rezultate mixte între rulări (cel puțin un succes și un eșec).…
Un test este considerat trecut complet doar dacă toate rulările lui trec.Niciun răspuns eșuat.Timp de răspuns (medie)3.28sTimp de răspuns (maxim)3.28sTimp de răspuns (total)3.28sUn test este considerat trecut complet doar dacă toate rulările lui trec.…
3.28sTimp de răspuns (medie)…
268Tokenuri de ieșire…
4,887Tokenuri de raționament…
Parsare și extragere de date
Scor
Consistență
Rată de trecere pe încercare
Teste instabile
Teste corecte
Timp de răspuns (medie)
Tokenuri de ieșire
Tokenuri de raționament
Anthropic: Claude Sonnet 4.6
9.9Scor mediu pe toate testele de benchmark.…
10.0Scorul de consistență reflectă stabilitatea între rulări (10 = foarte consistent, chiar dacă este constant greșit).…
100.0%Rata de trecere pe încercare = încercări trecute / total încercări pe toate rulările.…
0Testele instabile au avut rezultate mixte între rulări (cel puțin un succes și un eșec).…
Un test este considerat trecut complet doar dacă toate rulările lui trec.Niciun răspuns eșuat.Timp de răspuns (medie)3.43sTimp de răspuns (maxim)3.43sTimp de răspuns (total)3.43sUn test este considerat trecut complet doar dacă toate rulările lui trec.…
3.43sTimp de răspuns (medie)…
252Tokenuri de ieșire…
0Tokenuri de raționament…
Inception: Mercury 2
5.5Scor mediu pe toate testele de benchmark.…
5.9Scorul de consistență reflectă stabilitatea între rulări (10 = foarte consistent, chiar dacă este constant greșit).…
83.3%Rata de trecere pe încercare = încercări trecute / total încercări pe toate rulările.…
1Testele instabile au avut rezultate mixte între rulări (cel puțin un succes și un eșec).…
Un test este considerat trecut complet doar dacă toate rulările lui trec.Răspuns greșit: 1Timp de răspuns (medie)1.11sTimp de răspuns (maxim)1.47sTimp de răspuns (total)2.21sUn test este considerat trecut complet doar dacă toate rulările lui trec.…
1.11sTimp de răspuns (medie)…
183Tokenuri de ieșire…
1,656Tokenuri de raționament…
Specific domeniului
Scor
Consistență
Rată de trecere pe încercare
Teste instabile
Teste corecte
Timp de răspuns (medie)
Tokenuri de ieșire
Tokenuri de raționament
Anthropic: Claude Sonnet 4.6
7.0Scor mediu pe toate testele de benchmark.…
10.0Scorul de consistență reflectă stabilitatea între rulări (10 = foarte consistent, chiar dacă este constant greșit).…
66.7%Rata de trecere pe încercare = încercări trecute / total încercări pe toate rulările.…
0Testele instabile au avut rezultate mixte între rulări (cel puțin un succes și un eșec).…
Un test este considerat trecut complet doar dacă toate rulările lui trec.Răspuns greșit: 1Timp de răspuns (medie)3.54sTimp de răspuns (maxim)3.54sTimp de răspuns (total)3.54sUn test este considerat trecut complet doar dacă toate rulările lui trec.…
3.54sTimp de răspuns (medie)…
413Tokenuri de ieșire…
0Tokenuri de raționament…
Inception: Mercury 2
10.0Scor mediu pe toate testele de benchmark.…
7.2Scorul de consistență reflectă stabilitatea între rulări (10 = foarte consistent, chiar dacă este constant greșit).…
11.1%Rata de trecere pe încercare = încercări trecute / total încercări pe toate rulările.…
1Testele instabile au avut rezultate mixte între rulări (cel puțin un succes și un eșec).…
Un test este considerat trecut complet doar dacă toate rulările lui trec.Răspuns greșit: 3Timp de răspuns (medie)6.48sTimp de răspuns (maxim)14.63sTimp de răspuns (total)19.43sUn test este considerat trecut complet doar dacă toate rulările lui trec.…
6.48sTimp de răspuns (medie)…
41Tokenuri de ieșire…
30,754Tokenuri de raționament…
Respectarea instrucțiunilor
Scor
Consistență
Rată de trecere pe încercare
Teste instabile
Teste corecte
Timp de răspuns (medie)
Tokenuri de ieșire
Tokenuri de raționament
Anthropic: Claude Sonnet 4.6
5.5Scor mediu pe toate testele de benchmark.…
10.0Scorul de consistență reflectă stabilitatea între rulări (10 = foarte consistent, chiar dacă este constant greșit).…
50.0%Rata de trecere pe încercare = încercări trecute / total încercări pe toate rulările.…
0Testele instabile au avut rezultate mixte între rulări (cel puțin un succes și un eșec).…
Un test este considerat trecut complet doar dacă toate rulările lui trec.Răspuns greșit: 1Timp de răspuns (medie)1.96sTimp de răspuns (maxim)1.96sTimp de răspuns (total)1.96sUn test este considerat trecut complet doar dacă toate rulările lui trec.…
1.96sTimp de răspuns (medie)…
90Tokenuri de ieșire…
0Tokenuri de raționament…
Inception: Mercury 2
10.0Scor mediu pe toate testele de benchmark.…
10.0Scorul de consistență reflectă stabilitatea între rulări (10 = foarte consistent, chiar dacă este constant greșit).…
100.0%Rata de trecere pe încercare = încercări trecute / total încercări pe toate rulările.…
0Testele instabile au avut rezultate mixte între rulări (cel puțin un succes și un eșec).…
Un test este considerat trecut complet doar dacă toate rulările lui trec.Niciun răspuns eșuat.Timp de răspuns (medie)1.07sTimp de răspuns (maxim)1.07sTimp de răspuns (total)1.07sUn test este considerat trecut complet doar dacă toate rulările lui trec.…
1.07sTimp de răspuns (medie)…
14Tokenuri de ieșire…
958Tokenuri de raționament…
Puzzle Solving
Scor
Consistență
Rată de trecere pe încercare
Teste instabile
Teste corecte
Timp de răspuns (medie)
Tokenuri de ieșire
Tokenuri de raționament
Anthropic: Claude Sonnet 4.6
7.0Scor mediu pe toate testele de benchmark.…
10.0Scorul de consistență reflectă stabilitatea între rulări (10 = foarte consistent, chiar dacă este constant greșit).…
66.7%Rata de trecere pe încercare = încercări trecute / total încercări pe toate rulările.…
0Testele instabile au avut rezultate mixte între rulări (cel puțin un succes și un eșec).…
Un test este considerat trecut complet doar dacă toate rulările lui trec.Formatare suplimentară: 1Timp de răspuns (medie)2.92sTimp de răspuns (maxim)3.33sTimp de răspuns (total)5.84sUn test este considerat trecut complet doar dacă toate rulările lui trec.…
2.92sTimp de răspuns (medie)…
536Tokenuri de ieșire…
0Tokenuri de raționament…
Inception: Mercury 2
1.7Scor mediu pe toate testele de benchmark.…
7.5Scorul de consistență reflectă stabilitatea între rulări (10 = foarte consistent, chiar dacă este constant greșit).…
22.2%Rata de trecere pe încercare = încercări trecute / total încercări pe toate rulările.…
1Testele instabile au avut rezultate mixte între rulări (cel puțin un succes și un eșec).…
Un test este considerat trecut complet doar dacă toate rulările lui trec.Nu a urmat instrucțiunile: 2Răspuns greșit: 1Timp de răspuns (medie)934msTimp de răspuns (maxim)1.18sTimp de răspuns (total)2.80sUn test este considerat trecut complet doar dacă toate rulările lui trec.…
934msTimp de răspuns (medie)…
354Tokenuri de ieșire…
2,758Tokenuri de raționament…
Apelare instrumente
Scor
Consistență
Rată de trecere pe încercare
Teste instabile
Teste corecte
Timp de răspuns (medie)
Tokenuri de ieșire
Tokenuri de raționament
Anthropic: Claude Sonnet 4.6
10.0Scor mediu pe toate testele de benchmark.…
10.0Scorul de consistență reflectă stabilitatea între rulări (10 = foarte consistent, chiar dacă este constant greșit).…
100.0%Rata de trecere pe încercare = încercări trecute / total încercări pe toate rulările.…
0Testele instabile au avut rezultate mixte între rulări (cel puțin un succes și un eșec).…
Un test este considerat trecut complet doar dacă toate rulările lui trec.Niciun răspuns eșuat.Timp de răspuns (medie)4.11sTimp de răspuns (maxim)4.11sTimp de răspuns (total)4.11sUn test este considerat trecut complet doar dacă toate rulările lui trec.…
4.11sTimp de răspuns (medie)…
447Tokenuri de ieșire…
0Tokenuri de raționament…
Inception: Mercury 2
10.0Scor mediu pe toate testele de benchmark.…
10.0Scorul de consistență reflectă stabilitatea între rulări (10 = foarte consistent, chiar dacă este constant greșit).…
100.0%Rata de trecere pe încercare = încercări trecute / total încercări pe toate rulările.…
0Testele instabile au avut rezultate mixte între rulări (cel puțin un succes și un eșec).…
Un test este considerat trecut complet doar dacă toate rulările lui trec.Niciun răspuns eșuat.Timp de răspuns (medie)1.89sTimp de răspuns (maxim)1.89sTimp de răspuns (total)1.89sUn test este considerat trecut complet doar dacă toate rulările lui trec.…