מוצגות רק יכולות שקיימת עבורן מדידה במאגר.

• קוד ופיתוח תוכנה, כיסוי 37%. חסרים: SWE-rebench · LiveCodeBench · Aider Polyglot
• ידע וחשיבה, כיסוי 44%. חסרים: LiveBench Reasoning · MMLU-Pro · SuperGPQA
• שימוש בכלים, כיסוי 35%. חסרים: Berkeley Function Calling Leaderboard (BFCL) V4 · Claw-Eval
• ביצוע משימות מרובות שלבים, כיסוי 37%. חסרים: Berkeley Function Calling Leaderboard (BFCL) V4 · Terminal-Bench 2.0 · AndroidWorld
• עמידה בהוראות, כיסוי 26%. חסרים: LiveBench Instruction Following · IFBench · IFEval
• מסמכים ארוכים, כיסוי 0%. חסרים: LongBench v2 · MRCR 1M