רישום המדדים
מבחני הערכה
Benchmark admission and recommendation weights are governed; new sources never auto-enter ranking.
מוצגים 119 מתוך 119 רשומות.
HELM Capabilities
סדרת מבחניםמדידה עצמאית · מתעדכן
ידע וחשיבה
HELM Long Context
סדרת מבחניםמדידה עצמאית · מתעדכןזיקה מסחרית מוצהרת
מסמכים ארוכים
LiveBench
סדרת מבחניםמדידה עצמאית · מתעדכןזיקה מסחרית מוצהרת
ידע וחשיבה · קוד ופיתוח תוכנה · כתיבת קוד עצמאית · מתמטיקה · ניתוח נתונים · שפה וניסוח · עמידה בהוראות
MMLU-Pro
מבחן הערכהמדידה עצמאית · לוח השוואה
ידע וחשיבה
MMLU-Redux
מבחן הערכהמדד משני
ידע וחשיבה
MMLU
מבחן הערכהגרסה ישנה
ידע וחשיבה
GPQA / GPQA Diamond
מבחן הערכהמדידה עצמאית · לוח השוואה
ידע וחשיבה · חשיבה מדעית
Humanity's Last Exam (HLE)
מבחן הערכהמדידה עצמאית · לוח השוואההערכה על ידי מודל אחרזיקה מסחרית מוצהרת
ידע וחשיבה · טקסט ותמונה
ARC-AGI-2
מבחן הערכהמדד משניזיקה מסחרית מוצהרת
חשיבה מופשטת
IFBench
מבחן הערכהמדידה עצמאית · לוח השוואה
עמידה בהוראות
IFEval
מבחן הערכהמדד משניזיקה מסחרית מוצהרת
עמידה בהוראות
MultiChallenge
מבחן הערכהמדד משניהערכה על ידי מודל אחר
עמידה בהוראות
SWE-bench Verified
מבחן הערכהמדידה עצמאית · מתעדכןזיקה מסחרית מוצהרת
קוד ופיתוח תוכנה
SWE-bench Multilingual
מבחן הערכהמדד משני
קוד ופיתוח תוכנה
SWE-rebench
מבחן הערכהמדידה עצמאית · מתעדכן
קוד ופיתוח תוכנה
SWE-bench Original/Lite
מבחן הערכהגרסה ישנה
קוד ופיתוח תוכנה
LiveCodeBench
מבחן הערכהמדידה עצמאית · מתעדכן
קוד ופיתוח תוכנה
HumanEval
מבחן הערכהגרסה ישנהזיקה מסחרית מוצהרת
קוד ופיתוח תוכנה
MBPP
מבחן הערכהגרסה ישנהזיקה מסחרית מוצהרת
קוד ופיתוח תוכנה
SpreadsheetBench
מבחן הערכהמדידה בתחום
ניתוח נתונים
SpreadsheetBench Verified
מבחן הערכהמדידה בתחום
ניתוח נתונים
SpreadsheetBench V2
מבחן הערכהבבדיקהזיקה מסחרית מוצהרת
תהליכים פיננסיים
Berkeley Function Calling Leaderboard (BFCL) V4
benchmark_leaderboardמדידה עצמאית · מתעדכן
שימוש בכלים · ביצוע משימות מרובות שלבים
τ-bench
מבחן הערכהמדידה בתחום · בהסתייגותזיקה מסחרית מוצהרת
שירות לקוחות אוטומטי · שימוש בכלים
τ²-bench
מבחן הערכהמדד משני · בהסתייגותזיקה מסחרית מוצהרת
שירות לקוחות אוטומטי
τ³-bench
מבחן הערכהבבדיקהזיקה מסחרית מוצהרת
שירות לקוחות אוטומטי
GAIA
מבחן הערכהמדידה עצמאית · לוח השוואה
מחקר ברשת · ביצוע משימות מרובות שלבים · טקסט ותמונה
OSWorld
מבחן הערכהמדידה עצמאית · לוח השוואה
הפעלת מחשב · ביצוע משימות מרובות שלבים
WorkArena
מבחן הערכהמדד משני · בהסתייגותזיקה מסחרית מוצהרת
תהליכי עבודה בארגון · ביצוע משימות מרובות שלבים
WorkArena++
מבחן הערכהמדידה בתחום · בהסתייגותזיקה מסחרית מוצהרת
תהליכי עבודה בארגון · ביצוע משימות מרובות שלבים
AgencyBench
מבחן הערכהמדידה עצמאית · הערכה על ידי מודל אחר, במשקל מוגבל
ביצוע משימות מרובות שלבים · שימוש בכלים · הפעלת מחשב
AgentBench
מבחן הערכהמדד משני
ביצוע משימות מרובות שלבים
Terminal-Bench 2.1
מבחן הערכהבבדיקהזיקה מסחרית מוצהרת
עבודה בשורת פקודה · כתיבת קוד עצמאית
Harbor Index
benchmark_indexבבדיקההערכה על ידי מודל אחרזיקה מסחרית מוצהרת
ביצוע משימות מרובות שלבים
SkillsBench
מבחן הערכהבבדיקהזיקה מסחרית מוצהרת
תוצרים מקצועיים · ביצוע משימות מרובות שלבים
OfficeBench
מבחן הערכהבבדיקהזיקה מסחרית מוצהרת
תהליכי עבודה בארגון
WebBench (web agents)
מבחן הערכהבבדיקהזיקה מסחרית מוצהרת
מחקר ברשת · הפעלת מחשב
LongBench v2
מבחן הערכהמדידה עצמאית · לוח השוואה
מסמכים ארוכים
MMMU
מבחן הערכהמדד משני
טקסט ותמונה
MMMU-Pro
מבחן הערכהמדידה עצמאית · לוח השוואה
טקסט ותמונה
TruthfulQA
מבחן הערכהגרסה ישנה
דיוק עובדתי
SimpleQA
מבחן הערכהמדד משני · בהסתייגותהערכה על ידי מודל אחרזיקה מסחרית מוצהרת
דיוק עובדתי
SimpleQA Verified
מבחן הערכהמדד משני · בהסתייגותזיקה מסחרית מוצהרת
דיוק עובדתי
MedHELM v2
סדרת מבחניםמדידה בתחום · בהסתייגותזיקה מסחרית מוצהרת
בריאות ורפואה
HealthBench
מבחן הערכהמדד משני · בהסתייגותזיקה מסחרית מוצהרת
בריאות ורפואה
LegalBench
מבחן הערכהמדידה בתחום
FinQA
מבחן הערכהמדד משני
חשיבה פיננסית
FinanceBench
מבחן הערכהמדד משני · בהסתייגותזיקה מסחרית מוצהרת
חשיבה פיננסית · מסמכים ארוכים
AlephBench / Open Hebrew LLM Leaderboard
benchmark_suiteמדידה עצמאית · עבריתזיקה מסחרית מוצהרת
עברית
Hebrew Chat Leaderboard
benchmark_leaderboardמדד משני · עבריתהערכה על ידי מודל אחרזיקה מסחרית מוצהרת
עברית
LMArena / Arena Leaderboards
human_preference_leaderboardמדד משני מתעדכן · בהסתייגותזיקה מסחרית מוצהרת
שפה וניסוח · טקסט ותמונה · מחקר ברשת · ביצוע משימות מרובות שלבים
Artificial Analysis
commercial_evaluation_aggregatorנתוני שירות · בהסתייגותזיקה מסחרית מוצהרת
MLPerf Inference
system_benchmarkנתוני שירותזיקה מסחרית מוצהרת
FrontierMath v2
מבחן הערכהמדד משני · בהסתייגותזיקה מסחרית מוצהרת
מתמטיקה
BrowseComp
מבחן הערכהמדד משני · בהסתייגותזיקה מסחרית מוצהרת
מחקר ברשת
GSM8K
מבחן הערכהגרסה ישנהזיקה מסחרית מוצהרת
מתמטיקה
BIG-Bench Hard
benchmark_suiteגרסה ישנהזיקה מסחרית מוצהרת
ידע וחשיבה
MT-Bench
מבחן הערכהגרסה ישנההערכה על ידי מודל אחר
AlpacaEval
benchmark_leaderboardגרסה ישנההערכה על ידי מודל אחר
עמידה בהוראות
GDPval
מבחן הערכהמדד משני · בהסתייגותזיקה מסחרית מוצהרת
תוצרים מקצועיים · עמידה בהוראות · מסמכים ארוכים
FACTS Benchmark Suite
סדרת מבחניםמדד משני · בהסתייגותזיקה מסחרית מוצהרת
דיוק עובדתי · מחקר ברשת · הבנה חזותית · מסמכים ארוכים
DeepSearchQA
מבחן הערכהמדד משני · בהסתייגותזיקה מסחרית מוצהרת
מחקר ברשת · ביצוע משימות מרובות שלבים · דיוק עובדתי
MLE-bench
מבחן הערכהמדד משני · בהסתייגותזיקה מסחרית מוצהרת
מחקר ופיתוח מודלים · ביצוע משימות מרובות שלבים
RE-Bench
מבחן הערכהמדידה בתחוםזיקה מסחרית מוצהרת
מחקר ופיתוח מודלים · ביצוע משימות מרובות שלבים
PaperBench
מבחן הערכהמדד משני · בהסתייגותהערכה על ידי מודל אחרזיקה מסחרית מוצהרת
מחקר ופיתוח מודלים · מסמכים ארוכים · ביצוע משימות מרובות שלבים
FrontierScience
מבחן הערכהמדד משני · בהסתייגותזיקה מסחרית מוצהרת
מחקר מדעי · ידע וחשיבה
Terminal-Bench 2.0
מבחן הערכהמדידה עצמאית · מתעדכן
עבודה בשורת פקודה · ביצוע משימות מרובות שלבים · כתיבת קוד עצמאית
Terminal-Bench 3.0
מבחן הערכהמדידה עצמאית · מתעדכן
עבודה בשורת פקודה · ביצוע משימות מרובות שלבים · כתיבת קוד עצמאית
SWE-bench Pro
מבחן הערכהמדידה עצמאית · לוח השוואה
קוד ופיתוח תוכנה · כתיבת קוד עצמאית
MCP Atlas
מבחן הערכהמדד משני
שימוש בכלים · ביצוע משימות מרובות שלבים
Toolathlon
מבחן הערכהמדד משני
שימוש בכלים · ביצוע משימות מרובות שלבים
CursorBench
מבחן הערכהמדידה בתחום · בהסתייגותזיקה מסחרית מוצהרת
כתיבת קוד עצמאית · קוד ופיתוח תוכנה
Vibe Code Bench
מבחן הערכהמדד משני
קוד ופיתוח תוכנה · כתיבת קוד עצמאית
ARC-AGI-3
מבחן הערכהמדידה עצמאית · לוח השוואה
חשיבה מופשטת
CharXiv
מבחן הערכהמדידה עצמאית · לוח השוואה
הבנה חזותית · ניתוח נתונים
SciCode
מבחן הערכהמדידה עצמאית · לוח השוואה
קוד ופיתוח תוכנה · חשיבה מדעית
ScreenSpot Pro
מבחן הערכהמדד משני
הפעלת מחשב · הבנה חזותית
AndroidWorld
מבחן הערכהמדד משני
הפעלת מחשב · ביצוע משימות מרובות שלבים
WebArena-Verified
מבחן הערכהמדד משני
מחקר ברשת · הפעלת מחשב
WideResearch
מבחן הערכהמדד משניהערכה על ידי מודל אחר
מחקר ברשת · ביצוע משימות מרובות שלבים
Agents' Last Exam
מבחן הערכהמדד משני
ביצוע משימות מרובות שלבים · מחקר ברשת
AutomationBench
מבחן הערכהמדד משני
תהליכי עבודה בארגון · ביצוע משימות מרובות שלבים
JobBench
מבחן הערכהמדד משניהערכה על ידי מודל אחר
תוצרים מקצועיים · ביצוע משימות מרובות שלבים
Gert Labs
סדרת מבחניםמדד משני · בהסתייגותהערכה על ידי מודל אחרזיקה מסחרית מוצהרת
תוצרים מקצועיים · ביצוע משימות מרובות שלבים
Claw-Eval
מבחן הערכהמדד משני · בהסתייגות
ביצוע משימות מרובות שלבים · שימוש בכלים
NL2Repo
מבחן הערכהמדד משני
קוד ופיתוח תוכנה
DeepSWE
מבחן הערכהמדד משני
קוד ופיתוח תוכנה · כתיבת קוד עצמאית
FrontierCode 1.1
מבחן הערכהמדד משני
קוד ופיתוח תוכנה
ProgramBench
מבחן הערכהמדד משני
קוד ופיתוח תוכנה
Aider Polyglot
מבחן הערכהמדידה עצמאית · מתעדכן
קוד ופיתוח תוכנה
AIME 2026
מבחן הערכהמדידה עצמאית · לוח השוואה
מתמטיקה
HMMT Feb 2026
מבחן הערכהמדידה עצמאית · לוח השוואה
מתמטיקה
SuperGPQA
מבחן הערכהמדידה עצמאית · לוח השוואה
ידע וחשיבה · חשיבה מדעית
CritPt
מבחן הערכהמדד משני
חשיבה מדעית · מחקר מדעי
MedXpertQA
מבחן הערכהמדידה בתחום
בריאות ורפואה
Finance Agent v2
מבחן הערכהמדידה בתחום · בהסתייגותהערכה על ידי מודל אחרזיקה מסחרית מוצהרת
תהליכים פיננסיים · חשיבה פיננסית
MRCR 1M
מבחן הערכהמדידה עצמאית · לוח השוואה
מסמכים ארוכים
OfficeQA Pro
מבחן הערכהמדד משני
תהליכי עבודה בארגון · הבנה חזותית
MathVision
מבחן הערכהמדד משני
מתמטיקה · הבנה חזותית
ERQA
מבחן הערכהמדד משני
הבנה חזותית
ZeroBench
מבחן הערכהמדד משני
הבנה חזותית · חשיבה מופשטת
VideoMMMU
מבחן הערכהמדד משני
הבנה חזותית
Global-MMLU (GMMLU)
מבחן הערכהמדד משני · עברית
עברית · שפה וניסוח
INCLUDE
מבחן הערכהמדד משני · עברית
עברית · שפה וניסוח
MMLU-ProX
מבחן הערכהמדד משני · עברית
עברית · שפה וניסוח
MAXIFE
מבחן הערכהמדד משני · עברית
עברית · עמידה בהוראות
LiveBench Coding
מבחן הערכהמדידה עצמאית · מתעדכן
קוד ופיתוח תוכנה
LiveBench Agentic Coding
מבחן הערכהמדידה עצמאית · מתעדכן
כתיבת קוד עצמאית · קוד ופיתוח תוכנה
LiveBench Reasoning
מבחן הערכהמדידה עצמאית · מתעדכן
ידע וחשיבה · חשיבה מופשטת
LiveBench Mathematics
מבחן הערכהמדידה עצמאית · מתעדכן
מתמטיקה
LiveBench Data Analysis
מבחן הערכהמדידה עצמאית · מתעדכן
ניתוח נתונים
LiveBench Language
מבחן הערכהמדידה עצמאית · מתעדכן
שפה וניסוח
LiveBench Instruction Following
מבחן הערכהמדידה עצמאית · מתעדכן
עמידה בהוראות
SWE-bench Lite
מבחן הערכהמדידה עצמאית · לוח השוואה
קוד ופיתוח תוכנה
SWE-bench Multimodal
מבחן הערכהמדד משני
קוד ופיתוח תוכנה · הבנה חזותית
MATH Level 5
מבחן הערכהמדידה עצמאית · לוח השוואה
מתמטיקה
MirrorCode
מבחן הערכהמדידה עצמאית · מתעדכן
קוד ופיתוח תוכנה
SimpleBench
מבחן הערכהמדד משני
ידע וחשיבה
WeirdML
מבחן הערכהמדד משני
מחקר ופיתוח מודלים · קוד ופיתוח תוכנה