מבחן הערכה
SuperGPQA
מדידה עצמאית · לוח השוואה
מה הוא מודד
ידע וחשיבה: ידע רב תחומי ויכולת חשיבה על שאלות מורכבות · חשיבה מדעית: שאלות מדעיות ברמת מומחה
מה הוא לא מודד
- אין לגזור ממנו יכולת בתחומים שלא נכללו במשימות שלו.
תוצאות שנמדדו
| מערכת | ציון | פרוטוקול | מקור |
|---|---|---|---|
| Claude Opus 4.6 | 95.0 | SuperGPQA · מקור לא מאומת | קישור |
| Claude Sonnet 4.6 | 95.0 | SuperGPQA · מקור לא מאומת | קישור |
| Qwen 3.6 Max (preview) | 73.9 | SuperGPQA · דיווח של הספק | קישור |
| Qwen3.7 Max | 73.6 | SuperGPQA · דיווח של הספק | קישור |
| Qwen3.6 Plus | 71.6 | SuperGPQA · דיווח של הספק | קישור |
| Qwen3.7 Plus | 71.4 | SuperGPQA · דיווח של הספק | קישור |
| 70.6 | SuperGPQA · מקור לא מאומת | קישור | |
| Qwen3.5 397B | 70.4 | SuperGPQA · דיווח של הספק | קישור |
| Kimi K2.5 | 69.2 | SuperGPQA · מקור לא מאומת | קישור |
| Qwen3.5-122B-A10B | 67.1 | SuperGPQA · דיווח של הספק | קישור |
| GLM-5 | 66.8 | SuperGPQA · מקור לא מאומת | קישור |
| Qwen3.6-27B | 66.0 | SuperGPQA · דיווח של הספק | קישור |
| Qwen3.5-27B | 65.6 | SuperGPQA · דיווח של הספק | קישור |
| Qwen3.6-35B-A3B | 64.7 | SuperGPQA · דיווח של הספק | קישור |
| Qwen3.5-35B-A3B | 63.4 | SuperGPQA · דיווח של הספק | קישור |
| Kimi K2 | 57.2 | SuperGPQA · דיווח של הספק | קישור |