Toate benchmark-urile

Benchmark-uri deschise

Benchmark-uri pentru agenți

Benchmark-urile pentru agenți măsoară dacă un model duce singur la capăt o muncă în mai mulți pași: comenzi într-un shell real, apeluri de unelte corecte și o sarcină lungă ținută pe direcție. Rulările trec prin același gateway ca cererile dumneavoastră.

Ce rulare este afișată

Un rând per model per benchmark: câștigă rularea finalizată cu cel mai mare eșantion, iar la egalitate câștigă cea terminată cel mai recent. Rulările mici de test nu pot avantaja un model printr-un noroc. Rulările eșuate sau anulate sunt excluse.

Metrica principală

Costul per sarcină reușită. Penalizează atât răspunsurile corecte dar scumpe, cât și pe cele ieftine dar greșite, deci este cifra cel mai greu de manipulat. Rata de reușită și costul total stau alături.

Terminal-Bench, apeluri de unelte, sarcini lungi, multi-agent, GDPval, ALE-Bench și suita de onestitate.

Rezultate · Agentic

Se încarcă rezultatele…