מערכת שנבדקה

Qwen3.5 397B

נבדק כמודל APIמודל פתוחעליבאבא

מודל פתוח של עליבאבא עם חלון הקשר של 128K טוקנים. ציון האיכות הכולל שלו במבחני ההערכה עומד על 55.2.

ציונים לפי יכולת

מתמטיקה

כיסוי 34%

90.1

עמידה בהוראות

כיסוי 40%

83.9

ניתוח נתונים

כיסוי 25%

80.8

חשיבה מדעית

כיסוי 52%

79.0

הבנה חזותית

כיסוי 63%

77.9

עברית

כיסוי 57%

76.5

שפה וניסוח

כיסוי 33%

74.0

ידע וחשיבה

כיסוי 58%

72.3

מחקר ברשת

כיסוי 33%

70.3

הבנת תמונות ומסמכים חזותיים

כיסוי 85%

68.1

קוד ופיתוח תוכנה

כיסוי 23%

65.9

הפעלת מחשב

כיסוי 49%

63.5

מסמכים ארוכים

כיסוי 43%

63.2

ביצוע משימות מרובות שלבים

כיסוי 41%

54.1

עבודה בשורת פקודה

כיסוי 43%

52.5

כתיבת קוד עצמאית

כיסוי 24%

51.8

תוצרים מקצועיים

כיסוי 44%

46.8

שימוש בכלים

כיסוי 52%

46.2

תנאי הבדיקה ופרטים נוספים

ספק: Alibaba
תנאי ההרצה: מצב חשיבה · חלון הקשר 128K טוקנים · נמדד כמודל API, ללא ממשק צ'אט
תאריך שחרור: 2026-02-16
סוג פלט: טקסט
מחיר קלט / מיליון: $0.6
מחיר פלט / מיליון: $3.6
טוקנים לשנייה: 56
זמינות בישראל: מודל פתוח. ניתן להריץ עצמאית או דרך ספק אירוח
מדיניות נתונים: בהרצה עצמית הנתונים נשארים אצלכם; בהרצה דרך ספק אירוח חלה מדיניות הספק

התוצאות נמדדו בתנאים שמצוינים כאן. ביצועי אותה מערכת בתוך מוצר הכולל כלים, גלישה או סביבת עבודה אחרת עשויים להיות שונים.

תוצאות

כל תוצאות המבחנים (36)

מתמטיקה

מבחן הערכה	סטטוס	ציון	משקל	מקור
AIME 2026	מדידה עצמאית · לוח השוואה לפי דיווח היצרן	93.3	0.72	קישור למקור
HMMT Feb 2026	מדידה עצמאית · לוח השוואה לפי דיווח היצרן	87.9	0.72	קישור למקור
MathVision	מדד משני לפי דיווח היצרן	88.6	0.42	קישור למקור

לא נמצאו תוצאות עבור: LiveBench · LiveBench Mathematics · MATH Level 5 · FrontierMath v2

עמידה בהוראות

מבחן הערכה	סטטוס	ציון	משקל	מקור
IFBench	מדידה עצמאית · לוח השוואה לפי דיווח היצרן	76.5	0.72	קישור למקור
IFEval	מדד משניזיקה מסחרית מוצהרת לפי דיווח היצרן	92.6	0.42	קישור למקור
MAXIFE	מדד משני · עברית לפי דיווח היצרן	88.2	0.38	קישור למקור

לא נמצאו תוצאות עבור: LiveBench · LiveBench Instruction Following

ניתוח נתונים

מבחן הערכה	סטטוס	ציון	משקל	מקור
CharXiv	מדידה עצמאית · לוח השוואה לפי דיווח היצרן	80.8	0.72	קישור למקור

לא נמצאו תוצאות עבור: LiveBench · LiveBench Data Analysis

חשיבה מדעית

מבחן הערכה	סטטוס	ציון	משקל	מקור
GPQA / GPQA Diamond	מדידה עצמאית · לוח השוואה לוח עצמאי	86.4	0.85	קישור למקור
SuperGPQA	מדידה עצמאית · לוח השוואה לפי דיווח היצרן	70.4	0.72	קישור למקור

לא נמצאו תוצאות עבור: SciCode · CritPt

הבנה חזותית

מבחן הערכה	סטטוס	ציון	משקל	מקור
CharXiv	מדידה עצמאית · לוח השוואה לפי דיווח היצרן	80.8	0.72	קישור למקור
ScreenSpot Pro	מדד משני לפי דיווח היצרן	65.6	0.42	קישור למקור
MathVision	מדד משני לפי דיווח היצרן	88.6	0.42	קישור למקור
ERQA	מדד משני לפי דיווח היצרן	67.5	0.42	קישור למקור
VideoMMMU	מדד משני לפי דיווח היצרן	84.7	0.42	קישור למקור

לא נמצאו תוצאות עבור: OfficeQA Pro · ZeroBench

עברית

מבחן הערכה	סטטוס	ציון	משקל	מקור
Hebrew LLM Leaderboard	מדידה עצמאית · עברית לוח עצמאי	65.5	1.00	קישור למקור
INCLUDE	מדד משני · עברית לפי דיווח היצרן	85.6	0.38	קישור למקור
MMLU-ProX	מדד משני · עברית לפי דיווח היצרן	84.7	0.38	קישור למקור
MAXIFE	מדד משני · עברית לפי דיווח היצרן	88.2	0.38	קישור למקור

לא נמצאו תוצאות עבור: מבחן העברית של האתר · Global-MMLU (GMMLU)

שפה וניסוח

מבחן הערכה	סטטוס	ציון	משקל	מקור
Hebrew LLM Leaderboard	מדידה עצמאית · עברית לוח עצמאי	65.5	1.00	קישור למקור
INCLUDE	מדד משני · עברית לפי דיווח היצרן	85.6	0.38	קישור למקור
MMLU-ProX	מדד משני · עברית לפי דיווח היצרן	84.7	0.38	קישור למקור

לא נמצאו תוצאות עבור: LiveBench · LiveBench Language · מבחן העברית של האתר · Global-MMLU (GMMLU)

ידע וחשיבה

מבחן הערכה	סטטוס	ציון	משקל	מקור
GPQA / GPQA Diamond	מדידה עצמאית · לוח השוואה לוח עצמאי	86.4	0.85	קישור למקור
MMLU-Pro	מדידה עצמאית · לוח השוואה לפי דיווח היצרן	87.8	0.72	קישור למקור
Humanity's Last Exam (HLE)	מדידה עצמאית · לוח השוואההערכה על ידי מודל אחרזיקה מסחרית מוצהרת לפי דיווח היצרן	28.7	0.72	קישור למקור
SuperGPQA	מדידה עצמאית · לוח השוואה לפי דיווח היצרן	70.4	0.72	קישור למקור
MMLU-Redux	מדד משני לפי דיווח היצרן	94.9	0.42	קישור למקור

לא נמצאו תוצאות עבור: LiveBench · LiveBench Reasoning

מחקר ברשת

מבחן הערכה	סטטוס	ציון	משקל	מקור
BrowseComp	מדד משני · בהסתייגותזיקה מסחרית מוצהרת לפי דיווח היצרן	69.0	0.34	קישור למקור
WideResearch	מדד משניהערכה על ידי מודל אחר לפי דיווח היצרן	74.0	0.11	קישור למקור

לא נמצאו תוצאות עבור: WebArena-Verified · Agents' Last Exam · DeepSearchQA

הבנת תמונות ומסמכים חזותיים

מבחן הערכה	סטטוס	ציון	משקל	מקור
MMMU-Pro	מדידה עצמאית · לוח השוואה לפי דיווח היצרן	79.0	0.72	קישור למקור
MMMU	מדד משני לפי דיווח היצרן	85.0	0.42	קישור למקור
Humanity's Last Exam (HLE)	מדידה עצמאית · לוח השוואההערכה על ידי מודל אחרזיקה מסחרית מוצהרת לפי דיווח היצרן	28.7	0.38	קישור למקור

קוד ופיתוח תוכנה

מבחן הערכה	סטטוס	ציון	משקל	מקור
SWE-bench Verified	מדידה עצמאית · מתעדכןזיקה מסחרית מוצהרת לפי דיווח היצרן	76.2	0.85	קישור למקור
LiveCodeBench	מדידה עצמאית · מתעדכן לפי דיווח היצרן	83.6	0.85	קישור למקור
SWE-bench Pro	מדידה עצמאית · לוח השוואה לפי דיווח היצרן	50.9	0.72	קישור למקור
SWE-bench Multilingual	מדד משני לפי דיווח היצרן	69.3	0.42	קישור למקור
NL2Repo	מדד משני לפי דיווח היצרן	32.2	0.42	קישור למקור

לא נמצאו תוצאות עבור: LiveBench · SWE-rebench · Aider Polyglot · LiveBench Coding · LiveBench Agentic Coding · MirrorCode · SciCode · SWE-bench Lite · CursorBench · Vibe Code Bench · DeepSWE · FrontierCode 1.1 · ProgramBench

הפעלת מחשב

מבחן הערכה	סטטוס	ציון	משקל	מקור
OSWorld	מדידה עצמאית · לוח השוואה לפי דיווח היצרן	62.2	0.72	קישור למקור
ScreenSpot Pro	מדד משני לפי דיווח היצרן	65.6	0.42	קישור למקור

לא נמצאו תוצאות עבור: AndroidWorld · WebArena-Verified

מסמכים ארוכים

מבחן הערכה	סטטוס	ציון	משקל	מקור
LongBench v2	מדידה עצמאית · לוח השוואה לפי דיווח היצרן	63.2	0.72	קישור למקור

לא נמצאו תוצאות עבור: MRCR 1M

ביצוע משימות מרובות שלבים

מבחן הערכה	סטטוס	ציון	משקל	מקור
Terminal-Bench 2.0	מדידה עצמאית · מתעדכן לפי דיווח היצרן	52.5	0.85	קישור למקור
OSWorld	מדידה עצמאית · לוח השוואה לפי דיווח היצרן	62.2	0.72	קישור למקור
MCP Atlas	מדד משני לפי דיווח היצרן	46.1	0.42	קישור למקור
Toolathlon	מדד משני לפי דיווח היצרן	36.3	0.42	קישור למקור
WideResearch	מדד משניהערכה על ידי מודל אחר לפי דיווח היצרן	74.0	0.42	קישור למקור
Gert Labs	מדד משני · בהסתייגותהערכה על ידי מודל אחרזיקה מסחרית מוצהרת לוח עצמאי	46.8	0.40	קישור למקור
Claw-Eval	מדד משני · בהסתייגות לוח עצמאי	56.8	0.40	קישור למקור

לא נמצאו תוצאות עבור: Berkeley Function Calling Leaderboard (BFCL) V4 · Terminal-Bench 3.0 · AndroidWorld · Agents' Last Exam · AutomationBench · JobBench · DeepSearchQA · MLE-bench

עבודה בשורת פקודה

מבחן הערכה	סטטוס	ציון	משקל	מקור
Terminal-Bench 2.0	מדידה עצמאית · מתעדכן לפי דיווח היצרן	52.5	0.85	קישור למקור

לא נמצאו תוצאות עבור: Terminal-Bench 3.0

כתיבת קוד עצמאית

מבחן הערכה	סטטוס	ציון	משקל	מקור
Terminal-Bench 2.0	מדידה עצמאית · מתעדכן לפי דיווח היצרן	52.5	0.85	קישור למקור
SWE-bench Pro	מדידה עצמאית · לוח השוואה לפי דיווח היצרן	50.9	0.72	קישור למקור

לא נמצאו תוצאות עבור: LiveBench · Terminal-Bench 3.0 · LiveBench Agentic Coding · CursorBench · Vibe Code Bench · DeepSWE

תוצרים מקצועיים

מבחן הערכה	סטטוס	ציון	משקל	מקור
Gert Labs	מדד משני · בהסתייגותהערכה על ידי מודל אחרזיקה מסחרית מוצהרת לוח עצמאי	46.8	0.40	קישור למקור

לא נמצאו תוצאות עבור: JobBench

שימוש בכלים

מבחן הערכה	סטטוס	ציון	משקל	מקור
MCP Atlas	מדד משני לפי דיווח היצרן	46.1	0.42	קישור למקור
Toolathlon	מדד משני לפי דיווח היצרן	36.3	0.42	קישור למקור
Claw-Eval	מדד משני · בהסתייגות לוח עצמאי	56.8	0.40	קישור למקור

לא נמצאו תוצאות עבור: Berkeley Function Calling Leaderboard (BFCL) V4

מערכות נוספות

להשוואה

Apodex 1.1 Celeris-1 ChatGPT Claude Claude Code Claude Fable 5 Claude Fable 5.1 Claude Haiku 5.5 Claude Opus 4.6 Claude Opus 4.7 Claude Opus 4.7 (Adaptive)Claude Opus 4.8 Claude Opus 5 Claude Opus 5.5 Claude Sonnet 4.6 Claude Sonnet 5 Claude Sonnet 5.5 Command A+Cursor DeepSeek-R1 DeepSeek R1 Distill Qwen 32B DeepSeek V3 DeepSeek V3 0324 DeepSeek V3.1 DeepSeek V3.1 (Reasoning)DeepSeek V3.2 DeepSeek V4.1 Flash 1017 DeepSeek V4 Flash Vision Exp DeepSeek V4 Pro 0813 Devin Exaone 4.0 32B Gemini 2.5 Flash Gemini 2.5 Pro Gemini 3.1 Pro Gemini 3.5 Flash Gemini 3.5 Flash-Lite Gemini 3.6 Flash Gemini 3.7 Flash Gemini 3.8 Flash Gemini 3 Flash Gemini 3 Pro Gemini 4 Argon Gemini Nano Banana 2.1 Gemma 4 26B A4B GitHub Copilot GLM-4.5-Air GLM-4.6 GLM-4.7 GLM-4.7-Flash GLM-5 GLM-5.1 GLM-5.2 GLM-5.3 GLM-5.3-Flash GLM 5.3 Prime GLM-5-Turbo GLM-5V-Turbo GPT-5.1 GPT-5.2 GPT-5.3 Codex GPT-5.4 GPT-5.5 GPT-5.6 Luna GPT-5.6 Sol GPT-5.6 Terra GPT-6.1 Sol GPT-6.1 Terra GPT-6.1 Terra Pro GPT-6 Astra GPT-6 Luna GPT-6 Sol Granite-4.0-350M Granite-4.0-H-1B Granite-4.0-H-350M Granite 4.2 8B Grok 4 Grok 4.1 Fast Grok 4.1 Fast (Reasoning)Grok 4.3 Grok 4.5 Grok 4.6 Grok 4.7 Grok 4 Fast (Reasoning)Grok Grok Code Fast 1 Hy3 Hy3 Preview Inkling Inkling-Small Instinct K-Exaone Kimi K2.6 Kimi K2 Kimi K2.5 Kimi K2.5 (Reasoning)Kimi K2.7 Code Kimi K3 LFM2.5-2.6B LFM2.5-8B-A1B Ling 2.6 Flash Ling 3.0 Flash Ling 3.0 Flash VL Ling 3.1 Flash Manus Mercury 2 Mercury 2.5 Meta AI Microsoft Copilot MiMo-V2.5-Pro MiMo-V2.6-Flash MiMo-V2.6-Pro MiMo-V2-Flash MiMo-V2-Omni MiMo-V2-Pro MiniMax M2.5 MiniMax M2.7 MiniMax M3 MiniMax M3.1 Flash Mistral Large 2 Mistral Large 3 Mistral Large 4 Le Chat Mistral Medium 3 Mistral Medium 3.5 128B Mistral Small 4 Muse Glimmer 30B Muse Spark Muse Spark 1.1 Muse Spark 1.2 Muse Spark Open Muse Wonder Muse Wonder Full Nemotron 3.5 Bolt 74B-A9B Nemotron 3.5 Lightning Nemotron 3.5 Super VL Nemotron 3.5 Super VL 120B A12B Nemotron 3 Nano Omni 30B A3B Nemotron 3 Ultra Nova Pro Codex Dots Perplexity Phi-4 Quasar 438B Qwen3.5-122B-A10B Qwen3.5-27B Qwen3.5-35B-A3B Qwen3.6-27B Qwen3.6-35B-A3B Qwen 3.6 Max (preview)Qwen3.6 Plus Qwen3.7 Flash Qwen3.7 Max Qwen3.7 Plus Qwen3.8 2.4T A95B Qwen3.8-27B Qwen3.8 Flash Qwen3.8-Flash-Next Qwen3.8 Max Prime Qwen3.8 Omni Flash Beam 1.0 501B-A23B Sarvam 105B Sarvam 30B Solar Pro 2 Solar Pro 3 Step 3.5 Flash Step 3.7 Flash Step 5 Preview Switchyard Trinity-Large-Thinking