מבחן הערכה
ProgramBench
מדד משני
מה הוא מודד
קוד ופיתוח תוכנה: כתיבת קוד נכון ועבודה בריפוזיטורי אמיתי
מה הוא לא מודד
- אינו בודק איכות עיצוב מערכת, אבטחה או תחזוקתיות לאורך זמן.
תוצאות שנקלטו
| מערכת | ציון | פרוטוקול | מקור |
|---|---|---|---|
| Claude Opus 5 | 93.0 | ProgramBench · דיווח של הספק | קישור |
| Kimi K3 | 77.8 | ProgramBench · דיווח של הספק | קישור |
| GLM-5.2 | 63.7 | ProgramBench · דיווח של הספק | קישור |
| Kimi K2.7 Code | 53.6 | ProgramBench · דיווח של הספק | קישור |
| GLM-5.3 | 19.0 | ProgramBench · דיווח של הספק | קישור |