מערכת שנבדקה
GPT-5.4
נבדק כמודל APIמודל סגורOpenAI
מודל סגור של OpenAI עם חלון הקשר של 1,050K טוקנים. מדד האיכות המרוכז של המקור עומד על 73.7.
ציונים לפי יכולת
שירות לקוחות אוטומטי
כיסוי 85%
98.9
חשיבה מדעית
כיסוי 20%
92.8
מחקר ברשת
כיסוי 27%
78.6
הפעלת מחשב
כיסוי 46%
78.4
ניתוח נתונים
כיסוי 56%
77.1
עבודה בשורת פקודה
כיסוי 43%
75.1
טקסט ותמונה
כיסוי 66%
73.9
עמידה בהוראות
כיסוי 26%
73.7
שפה וניסוח
כיסוי 30%
73.7
ידע וחשיבה
כיסוי 39%
73.7
דיוק עובדתי
כיסוי 23%
73.6
כתיבת קוד עצמאית
כיסוי 47%
69.3
הבנה חזותית
כיסוי 54%
67.2
מתמטיקה
כיסוי 26%
66.3
ביצוע משימות מרובות שלבים
כיסוי 45%
65.3
שימוש בכלים
כיסוי 52%
61.9
קוד ופיתוח תוכנה
כיסוי 24%
60.2
בריאות ורפואה
כיסוי 80%
55.0
תהליכי עבודה בארגון
כיסוי 43%
53.2
תוצרים מקצועיים
כיסוי 100%
50.5
חשיבה מופשטת
כיסוי 60%
30.3
מדדים
כל רשומות המדד (28)
שירות לקוחות אוטומטי
| מבחן הערכה | סטטוס | ציון | משקל | מקור |
|---|---|---|---|---|
| τ²-bench | מדד משני · בהסתייגותזיקה מסחרית מוצהרת לפי דיווח היצרן | 98.9 | 0.34 | קישור למקור |
חשיבה מדעית
| מבחן הערכה | סטטוס | ציון | משקל | מקור |
|---|---|---|---|---|
| GPQA / GPQA Diamond | מדידה עצמאית · לוח השוואה לפי דיווח היצרן | 92.8 | 0.59 | 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 | 82.7 | 0.34 | קישור למקור |
| DeepSearchQA | מדד משני · בהסתייגותזיקה מסחרית מוצהרת לפי דיווח היצרן | 73.6 | 0.28 | קישור למקור |
לא נמצאו תוצאות עבור: WebArena-Verified · WideResearch · Agents' Last Exam
הפעלת מחשב
| מבחן הערכה | סטטוס | ציון | משקל | מקור |
|---|---|---|---|---|
| OSWorld | מדידה עצמאית · לוח השוואה לפי דיווח היצרן | 75.0 | 0.72 | קישור למקור |
| ScreenSpot Pro | מדד משני לפי דיווח היצרן | 85.4 | 0.35 | קישור למקור |
לא נמצאו תוצאות עבור: AndroidWorld · WebArena-Verified
ניתוח נתונים
| מבחן הערכה | סטטוס | ציון | משקל | מקור |
|---|---|---|---|---|
| LiveBench | מדידה עצמאית · מתעדכןזיקה מסחרית מוצהרת לוח עצמאי | 73.7 | 1.00 | קישור למקור |
| CharXiv | מדידה עצמאית · לוח השוואה לפי דיווח היצרן | 82.8 | 0.59 | קישור למקור |
לא נמצאו תוצאות עבור: LiveBench Data Analysis
עבודה בשורת פקודה
| מבחן הערכה | סטטוס | ציון | משקל | מקור |
|---|---|---|---|---|
| Terminal-Bench 2.0 | מדידה עצמאית · מתעדכן לפי דיווח היצרן | 75.1 | 0.85 | קישור למקור |
לא נמצאו תוצאות עבור: Terminal-Bench 3.0
טקסט ותמונה
| מבחן הערכה | סטטוס | ציון | משקל | מקור |
|---|---|---|---|---|
| MMMU-Pro | מדידה עצמאית · לוח השוואה לפי דיווח היצרן | 81.2 | 0.72 | קישור למקור |
| Humanity's Last Exam (HLE) | מדידה עצמאית · לוח השוואההערכה על ידי מודל אחרזיקה מסחרית מוצהרת לפי דיווח היצרן | 52.1 | 0.24 | קישור למקור |
לא נמצאו תוצאות עבור: MMMU
עמידה בהוראות
| מבחן הערכה | סטטוס | ציון | משקל | מקור |
|---|---|---|---|---|
| LiveBench | מדידה עצמאית · מתעדכןזיקה מסחרית מוצהרת לוח עצמאי | 73.7 | 1.00 | קישור למקור |
לא נמצאו תוצאות עבור: LiveBench Instruction Following · IFBench · IFEval · MAXIFE
שפה וניסוח
| מבחן הערכה | סטטוס | ציון | משקל | מקור |
|---|---|---|---|---|
| LiveBench | מדידה עצמאית · מתעדכןזיקה מסחרית מוצהרת לוח עצמאי | 73.7 | 1.00 | קישור למקור |
לא נמצאו תוצאות עבור: LiveBench Language · Global-MMLU (GMMLU) · INCLUDE · MMLU-ProX
ידע וחשיבה
| מבחן הערכה | סטטוס | ציון | משקל | מקור |
|---|---|---|---|---|
| LiveBench | מדידה עצמאית · מתעדכןזיקה מסחרית מוצהרת לוח עצמאי | 73.7 | 1.00 | קישור למקור |
| GPQA / GPQA Diamond | מדידה עצמאית · לוח השוואה לפי דיווח היצרן | 92.8 | 0.59 | קישור למקור |
| Humanity's Last Exam (HLE) | מדידה עצמאית · לוח השוואההערכה על ידי מודל אחרזיקה מסחרית מוצהרת לפי דיווח היצרן | 52.1 | 0.53 | קישור למקור |
לא נמצאו תוצאות עבור: LiveBench Reasoning · MMLU-Pro · SuperGPQA · MMLU-Redux
דיוק עובדתי
| מבחן הערכה | סטטוס | ציון | משקל | מקור |
|---|---|---|---|---|
| DeepSearchQA | מדד משני · בהסתייגותזיקה מסחרית מוצהרת לפי דיווח היצרן | 73.6 | 0.28 | קישור למקור |
לא נמצאו תוצאות עבור: SimpleQA · SimpleQA Verified
כתיבת קוד עצמאית
| מבחן הערכה | סטטוס | ציון | משקל | מקור |
|---|---|---|---|---|
| LiveBench | מדידה עצמאית · מתעדכןזיקה מסחרית מוצהרת לוח עצמאי | 73.7 | 1.00 | קישור למקור |
| Terminal-Bench 2.0 | מדידה עצמאית · מתעדכן לפי דיווח היצרן | 75.1 | 0.85 | קישור למקור |
| SWE-bench Pro | מדידה עצמאית · לוח השוואה לפי דיווח היצרן | 57.7 | 0.72 | קישור למקור |
| Vibe Code Bench | מדד משני לוח עצמאי | 67.4 | 0.50 | קישור למקור |
לא נמצאו תוצאות עבור: Terminal-Bench 3.0 · LiveBench Agentic Coding · CursorBench · DeepSWE
הבנה חזותית
| מבחן הערכה | סטטוס | ציון | משקל | מקור |
|---|---|---|---|---|
| CharXiv | מדידה עצמאית · לוח השוואה לפי דיווח היצרן | 82.8 | 0.59 | קישור למקור |
| OfficeQA Pro | מדד משני לפי דיווח היצרן | 53.2 | 0.42 | קישור למקור |
| ScreenSpot Pro | מדד משני לפי דיווח היצרן | 85.4 | 0.35 | קישור למקור |
| ERQA | מדד משני לפי דיווח היצרן | 65.4 | 0.35 | קישור למקור |
| ZeroBench | מדד משני לפי דיווח היצרן | 41.0 | 0.35 | קישור למקור |
לא נמצאו תוצאות עבור: MathVision · VideoMMMU
מתמטיקה
| מבחן הערכה | סטטוס | ציון | משקל | מקור |
|---|---|---|---|---|
| LiveBench | מדידה עצמאית · מתעדכןזיקה מסחרית מוצהרת לוח עצמאי | 73.7 | 1.00 | קישור למקור |
| FrontierMath v2 | מדד משני · בהסתייגותזיקה מסחרית מוצהרת לוח עצמאי | 47.6 | 0.40 | קישור למקור |
לא נמצאו תוצאות עבור: LiveBench Mathematics · AIME 2026 · HMMT Feb 2026 · MATH Level 5 · MathVision
ביצוע משימות מרובות שלבים
| מבחן הערכה | סטטוס | ציון | משקל | מקור |
|---|---|---|---|---|
| Terminal-Bench 2.0 | מדידה עצמאית · מתעדכן לפי דיווח היצרן | 75.1 | 0.85 | קישור למקור |
| OSWorld | מדידה עצמאית · לוח השוואה לפי דיווח היצרן | 75.0 | 0.72 | קישור למקור |
| JobBench | מדד משניהערכה על ידי מודל אחר לוח עצמאי | 38.9 | 0.50 | קישור למקור |
| MCP Atlas | מדד משני לפי דיווח היצרן | 70.6 | 0.42 | קישור למקור |
| Toolathlon | מדד משני לפי דיווח היצרן | 54.6 | 0.42 | קישור למקור |
| Gert Labs | מדד משני · בהסתייגותהערכה על ידי מודל אחרזיקה מסחרית מוצהרת לוח עצמאי | 64.9 | 0.40 | קישור למקור |
| Claw-Eval | מדד משני · בהסתייגות לוח עצמאי | 60.3 | 0.40 | קישור למקור |
| DeepSearchQA | מדד משני · בהסתייגותזיקה מסחרית מוצהרת לפי דיווח היצרן | 73.6 | 0.28 | קישור למקור |
לא נמצאו תוצאות עבור: Berkeley Function Calling Leaderboard (BFCL) V4 · Terminal-Bench 3.0 · AndroidWorld · WideResearch · Agents' Last Exam · AutomationBench · MLE-bench
שימוש בכלים
| מבחן הערכה | סטטוס | ציון | משקל | מקור |
|---|---|---|---|---|
| MCP Atlas | מדד משני לפי דיווח היצרן | 70.6 | 0.42 | קישור למקור |
| Toolathlon | מדד משני לפי דיווח היצרן | 54.6 | 0.42 | קישור למקור |
| Claw-Eval | מדד משני · בהסתייגות לוח עצמאי | 60.3 | 0.40 | קישור למקור |
לא נמצאו תוצאות עבור: Berkeley Function Calling Leaderboard (BFCL) V4
קוד ופיתוח תוכנה
| מבחן הערכה | סטטוס | ציון | משקל | מקור |
|---|---|---|---|---|
| LiveBench | מדידה עצמאית · מתעדכןזיקה מסחרית מוצהרת לוח עצמאי | 73.7 | 1.00 | קישור למקור |
| Aider Polyglot | מדידה עצמאית · מתעדכן לוח עצמאי | 44.9 | 1.00 | קישור למקור |
| SWE-bench Pro | מדידה עצמאית · לוח השוואה לפי דיווח היצרן | 57.7 | 0.72 | קישור למקור |
| Vibe Code Bench | מדד משני לוח עצמאי | 67.4 | 0.50 | קישור למקור |
לא נמצאו תוצאות עבור: SWE-bench Verified · SWE-rebench · LiveCodeBench · LiveBench Coding · LiveBench Agentic Coding · MirrorCode · SciCode · CursorBench · SWE-bench Multilingual · NL2Repo · DeepSWE · FrontierCode 1.1 · ProgramBench
בריאות ורפואה
| מבחן הערכה | סטטוס | ציון | משקל | מקור |
|---|---|---|---|---|
| MedXpertQA | מדידה בתחום לפי דיווח היצרן | 59.6 | 0.59 | קישור למקור |
| HealthBench | מדד משני · בהסתייגותזיקה מסחרית מוצהרת לוח עצמאי | 48.1 | 0.40 | קישור למקור |
תהליכי עבודה בארגון
| מבחן הערכה | סטטוס | ציון | משקל | מקור |
|---|---|---|---|---|
| OfficeQA Pro | מדד משני לפי דיווח היצרן | 53.2 | 0.42 | קישור למקור |
לא נמצאו תוצאות עבור: AutomationBench
תוצרים מקצועיים
| מבחן הערכה | סטטוס | ציון | משקל | מקור |
|---|---|---|---|---|
| JobBench | מדד משניהערכה על ידי מודל אחר לוח עצמאי | 38.9 | 0.50 | קישור למקור |
| Gert Labs | מדד משני · בהסתייגותהערכה על ידי מודל אחרזיקה מסחרית מוצהרת לוח עצמאי | 64.9 | 0.40 | קישור למקור |
חשיבה מופשטת
| מבחן הערכה | סטטוס | ציון | משקל | מקור |
|---|---|---|---|---|
| ARC-AGI-3 | מדידה עצמאית · לוח השוואה לוח עצמאי | 0.2 | 0.85 | קישור למקור |
| ARC-AGI-2 | מדד משניזיקה מסחרית מוצהרת לוח עצמאי | 74.0 | 0.50 | קישור למקור |
| ZeroBench | מדד משני לפי דיווח היצרן | 41.0 | 0.35 | קישור למקור |
לא נמצאו תוצאות עבור: LiveBench Reasoning
מערכות נוספות
להשוואה
Apodex 1.1Claude Fable 5Claude Opus 4.6Claude Opus 4.7Claude Opus 4.7 (Adaptive)Claude Opus 4.8Claude 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-5.4 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