מערכת שנבדקה
Claude Opus 4.8
נבדק כמודל APIמודל סגורAnthropic
מודל סגור של Anthropic עם חלון הקשר של 1,000K טוקנים. ציון האיכות הכולל שלו במבחני ההערכה עומד על 69.7.
ציונים לפי יכולת
מחקר ברשת
כיסוי 30%
88.7
עברית
כיסוי 10%
87.6
הפעלת מחשב
כיסוי 49%
85.1
הבנה חזותית
כיסוי 41%
83.0
ניתוח נתונים
כיסוי 96%
81.6
שפה וניסוח
כיסוי 45%
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
חשיבה מדעית
כיסוי 56%
72.3
דיוק עובדתי
כיסוי 62%
71.4
שימוש בכלים
כיסוי 35%
71.0
קוד ופיתוח תוכנה
כיסוי 49%
69.2
תהליכי עבודה בארגון
כיסוי 43%
66.2
ביצוע משימות מרובות שלבים
כיסוי 47%
63.9
כתיבת קוד עצמאית
כיסוי 80%
59.4
הבנת תמונות ומסמכים חזותיים
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
תוצאות
כל תוצאות המבחנים (35)
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: Hebrew LLM Leaderboard · מבחן העברית של האתר · 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: Hebrew LLM Leaderboard · מבחן העברית של האתר · 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
חשיבה מדעית
| מבחן הערכה | סטטוס | ציון | משקל | מקור |
|---|---|---|---|---|
| GPQA / GPQA Diamond | מדידה עצמאית · לוח השוואה לוח עצמאי | 91.0 | 0.85 | קישור למקור |
| SciCode | מדידה עצמאית · לוח השוואה לוח עצמאי | 53.5 | 0.85 | קישור למקור |
לא נמצאו תוצאות עבור: SuperGPQA · CritPt
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
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
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 |
| SciCode | מדידה עצמאית · לוח השוואה לוח עצמאי | 53.5 | 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 · SWE-bench Lite · Vibe Code Bench · NL2Repo · DeepSWE · ProgramBench
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
הבנת תמונות ומסמכים חזותיים
| 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 1.1Celeris-1ChatGPTClaudeClaude CodeClaude Fable 5Claude Fable 5.1Claude Haiku 5.5Claude Opus 4.6Claude Opus 4.7Claude Opus 4.7 (Adaptive)Claude Opus 5Claude Opus 5.5Claude Sonnet 4.6Claude Sonnet 5Claude Sonnet 5.5Command A+CursorDeepSeek-R1DeepSeek R1 Distill Qwen 32BDeepSeek V3DeepSeek V3 0324DeepSeek V3.1DeepSeek V3.1 (Reasoning)DeepSeek V3.2DeepSeek V4.1 Flash 1017DeepSeek V4 Flash Vision ExpDeepSeek V4 Pro 0813DevinExaone 4.0 32BGemini 2.5 FlashGemini 2.5 ProGemini 3.1 ProGemini 3.5 FlashGemini 3.5 Flash-LiteGemini 3.6 FlashGemini 3.7 FlashGemini 3.8 FlashGemini 3 FlashGemini 3 ProGemini 4 ArgonGeminiNano Banana 2.1Gemma 4 26B A4BGitHub CopilotGLM-4.5-AirGLM-4.6GLM-4.7GLM-4.7-FlashGLM-5GLM-5.1GLM-5.2GLM-5.3GLM-5.3-FlashGLM 5.3 PrimeGLM-5-TurboGLM-5V-TurboGPT-5.1GPT-5.2GPT-5.3 CodexGPT-5.4GPT-5.5GPT-5.6 LunaGPT-5.6 SolGPT-5.6 TerraGPT-6.1 SolGPT-6.1 TerraGPT-6.1 Terra ProGPT-6 AstraGPT-6 LunaGPT-6 SolGranite-4.0-350MGranite-4.0-H-1BGranite-4.0-H-350MGranite 4.2 8BGrok 4Grok 4.1 FastGrok 4.1 Fast (Reasoning)Grok 4.3Grok 4.5Grok 4.6Grok 4.7Grok 4 Fast (Reasoning)GrokGrok Code Fast 1Hy3Hy3 PreviewInklingInkling-SmallInstinctK-ExaoneKimi K2.6Kimi K2Kimi K2.5Kimi K2.5 (Reasoning)Kimi K2.7 CodeKimi K3LFM2.5-2.6BLFM2.5-8B-A1BLing 2.6 FlashLing 3.0 FlashLing 3.0 Flash VLLing 3.1 FlashManusMercury 2Mercury 2.5Meta AIMicrosoft CopilotMiMo-V2.5-ProMiMo-V2.6-FlashMiMo-V2.6-ProMiMo-V2-FlashMiMo-V2-OmniMiMo-V2-ProMiniMax M2.5MiniMax M2.7MiniMax M3MiniMax M3.1 FlashMistral Large 2Mistral Large 3Mistral Large 4Le ChatMistral Medium 3Mistral Medium 3.5 128BMistral Small 4Muse Glimmer 30BMuse SparkMuse Spark 1.1Muse Spark 1.2Muse Spark OpenMuse WonderMuse Wonder FullNemotron 3.5 Bolt 74B-A9BNemotron 3.5 LightningNemotron 3.5 Super VLNemotron 3.5 Super VL 120B A12BNemotron 3 Nano Omni 30B A3BNemotron 3 UltraNova ProCodexDotsPerplexityPhi-4Quasar 438BQwen3.5-122B-A10BQwen3.5-27BQwen3.5-35B-A3BQwen3.5 397BQwen3.6-27BQwen3.6-35B-A3BQwen 3.6 Max (preview)Qwen3.6 PlusQwen3.7 FlashQwen3.7 MaxQwen3.7 PlusQwen3.8 2.4T A95BQwen3.8-27BQwen3.8 FlashQwen3.8-Flash-NextQwen3.8 Max PrimeQwen3.8 Omni FlashBeam 1.0 501B-A23BSarvam 105BSarvam 30BSolar Pro 2Solar Pro 3Step 3.5 FlashStep 3.7 FlashStep 5 PreviewSwitchyardTrinity-Large-Thinking