מערכת שנבדקה
Claude Opus 4.8
נבדק כמודל APIמודל סגורAnthropic
מודל סגור של Anthropic עם חלון הקשר של 1,000K טוקנים. מדד האיכות המרוכז של המקור עומד על 76.8.
ציונים לפי יכולת
חשיבה מדעית
כיסוי 28%
91.0
מחקר ברשת
כיסוי 30%
88.7
עברית
כיסוי 21%
87.6
הפעלת מחשב
כיסוי 49%
85.1
הבנה חזותית
כיסוי 41%
83.0
ניתוח נתונים
כיסוי 96%
81.6
שפה וניסוח
כיסוי 71%
81.4
ידע וחשיבה
כיסוי 61%
80.6
מתמטיקה
כיסוי 44%
80.5
עמידה בהוראות
כיסוי 53%
75.7
תוצרים מקצועיים
כיסוי 44%
73.0
דיוק עובדתי
כיסוי 62%
71.4
קוד ופיתוח תוכנה
כיסוי 46%
71.4
שימוש בכלים
כיסוי 35%
71.0
תהליכי עבודה בארגון
כיסוי 43%
66.2
ביצוע משימות מרובות שלבים
כיסוי 47%
63.9
כתיבת קוד עצמאית
כיסוי 80%
59.4
טקסט ותמונה
כיסוי 33%
57.9
חשיבה מופשטת
כיסוי 82%
54.1
חשיבה פיננסית
כיסוי 85%
53.9
תהליכים פיננסיים
כיסוי 85%
53.9
עבודה בשורת פקודה
כיסוי 93%
45.7
מדדים
כל רשומות המדד (33)
חשיבה מדעית
| מבחן הערכה | סטטוס | ציון | משקל | מקור |
|---|---|---|---|---|
| GPQA / GPQA Diamond | מדידה עצמאית · לוח השוואה לוח עצמאי | 91.0 | 0.85 | קישור למקור |
לא נמצאו תוצאות עבור: SciCode · SuperGPQA · CritPt
מחקר ברשת
| מבחן הערכה | סטטוס | ציון | משקל | מקור |
|---|---|---|---|---|
| BrowseComp | מדד משני · בהסתייגותזיקה מסחרית מוצהרת לפי דיווח היצרן | 84.3 | 0.34 | קישור למקור |
| DeepSearchQA | מדד משני · בהסתייגותזיקה מסחרית מוצהרת לפי דיווח היצרן | 93.1 | 0.34 | קישור למקור |
לא נמצאו תוצאות עבור: WebArena-Verified · WideResearch · Agents' Last Exam
עברית
| מבחן הערכה | סטטוס | ציון | משקל | מקור |
|---|---|---|---|---|
| INCLUDE | מדד משני · עברית לפי דיווח היצרן | 87.6 | 0.38 | קישור למקור |
לא נמצאו תוצאות עבור: Global-MMLU (GMMLU) · MMLU-ProX · MAXIFE
הפעלת מחשב
| מבחן הערכה | סטטוס | ציון | משקל | מקור |
|---|---|---|---|---|
| OSWorld | מדידה עצמאית · לוח השוואה לפי דיווח היצרן | 83.4 | 0.72 | קישור למקור |
| ScreenSpot Pro | מדד משני לפי דיווח היצרן | 87.9 | 0.42 | קישור למקור |
לא נמצאו תוצאות עבור: AndroidWorld · WebArena-Verified
הבנה חזותית
| מבחן הערכה | סטטוס | ציון | משקל | מקור |
|---|---|---|---|---|
| CharXiv | מדידה עצמאית · לוח השוואה לפי דיווח היצרן | 89.9 | 0.72 | קישור למקור |
| ScreenSpot Pro | מדד משני לפי דיווח היצרן | 87.9 | 0.42 | קישור למקור |
| OfficeQA Pro | מדד משני לפי דיווח היצרן | 66.2 | 0.42 | קישור למקור |
לא נמצאו תוצאות עבור: MathVision · ERQA · ZeroBench · VideoMMMU
ניתוח נתונים
| מבחן הערכה | סטטוס | ציון | משקל | מקור |
|---|---|---|---|---|
| LiveBench | מדידה עצמאית · מתעדכןזיקה מסחרית מוצהרת לוח עצמאי | 78.9 | 1.00 | קישור למקור |
| LiveBench Data Analysis | מדידה עצמאית · מתעדכן לוח עצמאי | 78.3 | 1.00 | קישור למקור |
| CharXiv | מדידה עצמאית · לוח השוואה לפי דיווח היצרן | 89.9 | 0.72 | קישור למקור |
שפה וניסוח
| מבחן הערכה | סטטוס | ציון | משקל | מקור |
|---|---|---|---|---|
| LiveBench | מדידה עצמאית · מתעדכןזיקה מסחרית מוצהרת לוח עצמאי | 78.9 | 1.00 | קישור למקור |
| LiveBench Language | מדידה עצמאית · מתעדכן לוח עצמאי | 81.4 | 1.00 | קישור למקור |
| INCLUDE | מדד משני · עברית לפי דיווח היצרן | 87.6 | 0.38 | קישור למקור |
לא נמצאו תוצאות עבור: Global-MMLU (GMMLU) · MMLU-ProX
ידע וחשיבה
| מבחן הערכה | סטטוס | ציון | משקל | מקור |
|---|---|---|---|---|
| LiveBench | מדידה עצמאית · מתעדכןזיקה מסחרית מוצהרת לוח עצמאי | 78.9 | 1.00 | קישור למקור |
| LiveBench Reasoning | מדידה עצמאית · מתעדכן לוח עצמאי | 89.7 | 1.00 | קישור למקור |
| GPQA / GPQA Diamond | מדידה עצמאית · לוח השוואה לוח עצמאי | 91.0 | 0.85 | קישור למקור |
| Humanity's Last Exam (HLE) | מדידה עצמאית · לוח השוואההערכה על ידי מודל אחרזיקה מסחרית מוצהרת לפי דיווח היצרן | 57.9 | 0.72 | קישור למקור |
לא נמצאו תוצאות עבור: MMLU-Pro · SuperGPQA · MMLU-Redux
מתמטיקה
| מבחן הערכה | סטטוס | ציון | משקל | מקור |
|---|---|---|---|---|
| LiveBench | מדידה עצמאית · מתעדכןזיקה מסחרית מוצהרת לוח עצמאי | 78.9 | 1.00 | קישור למקור |
| LiveBench Mathematics | מדידה עצמאית · מתעדכן לוח עצמאי | 95.3 | 1.00 | קישור למקור |
| FrontierMath v2 | מדד משני · בהסתייגותזיקה מסחרית מוצהרת לוח עצמאי | 47.2 | 0.40 | קישור למקור |
לא נמצאו תוצאות עבור: AIME 2026 · HMMT Feb 2026 · MATH Level 5 · MathVision
עמידה בהוראות
| מבחן הערכה | סטטוס | ציון | משקל | מקור |
|---|---|---|---|---|
| LiveBench | מדידה עצמאית · מתעדכןזיקה מסחרית מוצהרת לוח עצמאי | 78.9 | 1.00 | קישור למקור |
| LiveBench Instruction Following | מדידה עצמאית · מתעדכן לוח עצמאי | 72.4 | 1.00 | קישור למקור |
לא נמצאו תוצאות עבור: IFBench · IFEval · MAXIFE
תוצרים מקצועיים
| מבחן הערכה | סטטוס | ציון | משקל | מקור |
|---|---|---|---|---|
| Gert Labs | מדד משני · בהסתייגותהערכה על ידי מודל אחרזיקה מסחרית מוצהרת לוח עצמאי | 73.0 | 0.40 | קישור למקור |
לא נמצאו תוצאות עבור: JobBench
דיוק עובדתי
| מבחן הערכה | סטטוס | ציון | משקל | מקור |
|---|---|---|---|---|
| SimpleQA Verified | מדד משני · בהסתייגותזיקה מסחרית מוצהרת לוח עצמאי | 53.0 | 0.40 | קישור למקור |
| DeepSearchQA | מדד משני · בהסתייגותזיקה מסחרית מוצהרת לפי דיווח היצרן | 93.1 | 0.34 | קישור למקור |
לא נמצאו תוצאות עבור: SimpleQA
קוד ופיתוח תוכנה
| מבחן הערכה | סטטוס | ציון | משקל | מקור |
|---|---|---|---|---|
| LiveBench | מדידה עצמאית · מתעדכןזיקה מסחרית מוצהרת לוח עצמאי | 78.9 | 1.00 | קישור למקור |
| LiveBench Coding | מדידה עצמאית · מתעדכן לוח עצמאי | 79.3 | 1.00 | קישור למקור |
| LiveBench Agentic Coding | מדידה עצמאית · מתעדכן לוח עצמאי | 56.1 | 1.00 | קישור למקור |
| SWE-bench Verified | מדידה עצמאית · מתעדכןזיקה מסחרית מוצהרת לפי דיווח היצרן | 88.6 | 0.85 | קישור למקור |
| SWE-bench Pro | מדידה עצמאית · לוח השוואה לפי דיווח היצרן | 69.2 | 0.72 | קישור למקור |
| CursorBench | מדידה בתחום · בהסתייגותזיקה מסחרית מוצהרת לוח עצמאי | 62.3 | 0.70 | קישור למקור |
| FrontierCode 1.1 | מדד משני לוח עצמאי | 46.5 | 0.50 | קישור למקור |
| SWE-bench Multilingual | מדד משני לפי דיווח היצרן | 84.4 | 0.42 | קישור למקור |
לא נמצאו תוצאות עבור: SWE-rebench · LiveCodeBench · Aider Polyglot · MirrorCode · SciCode · Vibe Code Bench · NL2Repo · DeepSWE · ProgramBench
שימוש בכלים
| מבחן הערכה | סטטוס | ציון | משקל | מקור |
|---|---|---|---|---|
| MCP Atlas | מדד משני לפי דיווח היצרן | 82.2 | 0.42 | קישור למקור |
| Toolathlon | מדד משני לפי דיווח היצרן | 59.9 | 0.42 | קישור למקור |
לא נמצאו תוצאות עבור: Berkeley Function Calling Leaderboard (BFCL) V4 · Claw-Eval
תהליכי עבודה בארגון
| מבחן הערכה | סטטוס | ציון | משקל | מקור |
|---|---|---|---|---|
| OfficeQA Pro | מדד משני לפי דיווח היצרן | 66.2 | 0.42 | קישור למקור |
לא נמצאו תוצאות עבור: AutomationBench
ביצוע משימות מרובות שלבים
| מבחן הערכה | סטטוס | ציון | משקל | מקור |
|---|---|---|---|---|
| Terminal-Bench 3.0 | מדידה עצמאית · מתעדכן לוח עצמאי | 21.1 | 1.00 | קישור למקור |
| Terminal-Bench 2.0 | מדידה עצמאית · מתעדכן לפי דיווח היצרן | 74.6 | 0.85 | קישור למקור |
| OSWorld | מדידה עצמאית · לוח השוואה לפי דיווח היצרן | 83.4 | 0.72 | קישור למקור |
| MCP Atlas | מדד משני לפי דיווח היצרן | 82.2 | 0.42 | קישור למקור |
| Toolathlon | מדד משני לפי דיווח היצרן | 59.9 | 0.42 | קישור למקור |
| Gert Labs | מדד משני · בהסתייגותהערכה על ידי מודל אחרזיקה מסחרית מוצהרת לוח עצמאי | 73.0 | 0.40 | קישור למקור |
| DeepSearchQA | מדד משני · בהסתייגותזיקה מסחרית מוצהרת לפי דיווח היצרן | 93.1 | 0.34 | קישור למקור |
לא נמצאו תוצאות עבור: Berkeley Function Calling Leaderboard (BFCL) V4 · AndroidWorld · WideResearch · Agents' Last Exam · AutomationBench · JobBench · MLE-bench · Claw-Eval
כתיבת קוד עצמאית
| מבחן הערכה | סטטוס | ציון | משקל | מקור |
|---|---|---|---|---|
| LiveBench | מדידה עצמאית · מתעדכןזיקה מסחרית מוצהרת לוח עצמאי | 78.9 | 1.00 | קישור למקור |
| Terminal-Bench 3.0 | מדידה עצמאית · מתעדכן לוח עצמאי | 21.1 | 1.00 | קישור למקור |
| LiveBench Agentic Coding | מדידה עצמאית · מתעדכן לוח עצמאי | 56.1 | 1.00 | קישור למקור |
| Terminal-Bench 2.0 | מדידה עצמאית · מתעדכן לפי דיווח היצרן | 74.6 | 0.85 | קישור למקור |
| SWE-bench Pro | מדידה עצמאית · לוח השוואה לפי דיווח היצרן | 69.2 | 0.72 | קישור למקור |
| CursorBench | מדידה בתחום · בהסתייגותזיקה מסחרית מוצהרת לוח עצמאי | 62.3 | 0.70 | קישור למקור |
לא נמצאו תוצאות עבור: Vibe Code Bench · DeepSWE
טקסט ותמונה
| מבחן הערכה | סטטוס | ציון | משקל | מקור |
|---|---|---|---|---|
| Humanity's Last Exam (HLE) | מדידה עצמאית · לוח השוואההערכה על ידי מודל אחרזיקה מסחרית מוצהרת לפי דיווח היצרן | 57.9 | 0.72 | קישור למקור |
לא נמצאו תוצאות עבור: MMMU-Pro · MMMU
חשיבה מופשטת
| מבחן הערכה | סטטוס | ציון | משקל | מקור |
|---|---|---|---|---|
| LiveBench Reasoning | מדידה עצמאית · מתעדכן לוח עצמאי | 89.7 | 1.00 | קישור למקור |
| ARC-AGI-3 | מדידה עצמאית · לוח השוואה לוח עצמאי | 1.5 | 0.85 | קישור למקור |
| ARC-AGI-2 | מדד משניזיקה מסחרית מוצהרת לוח עצמאי | 72.1 | 0.50 | קישור למקור |
לא נמצאו תוצאות עבור: ZeroBench
חשיבה פיננסית
| מבחן הערכה | סטטוס | ציון | משקל | מקור |
|---|---|---|---|---|
| Finance Agent v2 | מדידה בתחום · בהסתייגותהערכה על ידי מודל אחרזיקה מסחרית מוצהרת לפי דיווח היצרן | 53.9 | 0.59 | קישור למקור |
תהליכים פיננסיים
| מבחן הערכה | סטטוס | ציון | משקל | מקור |
|---|---|---|---|---|
| Finance Agent v2 | מדידה בתחום · בהסתייגותהערכה על ידי מודל אחרזיקה מסחרית מוצהרת לפי דיווח היצרן | 53.9 | 0.59 | קישור למקור |
עבודה בשורת פקודה
| מבחן הערכה | סטטוס | ציון | משקל | מקור |
|---|---|---|---|---|
| Terminal-Bench 3.0 | מדידה עצמאית · מתעדכן לוח עצמאי | 21.1 | 1.00 | קישור למקור |
| Terminal-Bench 2.0 | מדידה עצמאית · מתעדכן לפי דיווח היצרן | 74.6 | 0.85 | קישור למקור |
מערכות נוספות
להשוואה
Apodex 1.1Claude Fable 5Claude Opus 4.6Claude Opus 4.7Claude Opus 4.7 (Adaptive)Claude Opus 5Claude Sonnet 5Command A+DeepSeek V3.2DeepSeek V4 Flash Vision ExpDeepSeek V4 Pro 0813Gemini 3.1 Flash LiteGemini 3.5 FlashGemini 3.5 Flash-LiteGemini 3.6 FlashGemini 3.7 FlashGemini 3 ProGemma 4 31BGLM-5GLM-5.1GLM-5.2GLM-5.3GLM 5.3 FlashGLM-5-TurboGLM-5V-TurboGPT-5.4GPT-5.4 nanoGPT-5.5GPT-5.6 LunaGPT-5.6 SolGPT-5.6 TerraGrok 4Grok 4.1 Fast (Reasoning)Grok 4.3Grok 4.5Grok 4.6Grok 4 Fast (Reasoning)Grok Build 0.1Hy3InklingInkling-SmallKimi K2.6Kimi K2.5Kimi K2.5 (Reasoning)Kimi K2.7 CodeKimi K3Ling 3.0 FlashMiMo-V2.5-ProMiMo-V2-OmniMiMo-V2-ProMiniMax M2.5MiniMax M2.7MiniMax M3Ministral 3 14B (Reasoning)Mistral Medium 3.5Muse Glimmer 30BMuse SparkMuse Spark 1.1Muse Spark 1.2Nemotron 3.5 LightningNemotron 3 Nano 30BNemotron 3 UltraNova ProPhi-4Qwen3.5 397B (Reasoning)Qwen3.6 27BQwen3.6 PlusQwen3.7 FlashQwen3.7 MaxQwen3.7 PlusQwen3.8 2.4T A95BQwen3.8-27BQwen3.8 FlashQwen3.8-Flash-NextQwen3.8 MaxStep 3.5 FlashTrinity-Large-Preview