Toate benchmark-urile

Benchmark-uri deschise

Benchmark-uri de programare

Benchmark-urile de programare măsoară dacă un model scrie cod care funcționează: o funcție care trece testele unitare sau un patch care repară o problemă reală dintr-un depozit. Fiecare bloc este etichetat oficial, proxy, intern sau referință, ca un substitut ieftin să nu fie citit drept scor de clasament.

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.

HumanEval, SWE-bench Verified (harness oficial și variante proxy) și Aider Polyglot.

Rezultate · Programare

Se încarcă rezultatele…