מערכת שנבדקה
Qwen3.6 Plus
נבדק כמודל APIמודל סגורעליבאבא
מודל סגור של עליבאבא עם חלון הקשר של 1,000K טוקנים. מדד האיכות המרוכז של המקור עומד על 65.1.
ציונים לפי יכולת
עברית
כיסוי 21%
84.7
חשיבה מדעית
כיסוי 52%
80.7
הבנה חזותית
כיסוי 52%
80.6
מתמטיקה
כיסוי 78%
77.9
חשיבה מופשטת
כיסוי 35%
75.8
מחקר ברשת
כיסוי 18%
74.3
שפה וניסוח
כיסוי 71%
74.0
ידע וחשיבה
כיסוי 92%
72.9
ניתוח נתונים
כיסוי 96%
72.6
עמידה בהוראות
כיסוי 83%
70.6
הפעלת מחשב
כיסוי 18%
68.2
טקסט ותמונה
כיסוי 82%
68.1
קוד ופיתוח תוכנה
כיסוי 48%
62.4
מסמכים ארוכים
כיסוי 43%
62.0
עבודה בשורת פקודה
כיסוי 43%
61.6
ביצוע משימות מרובות שלבים
כיסוי 33%
56.2
כתיבת קוד עצמאית
כיסוי 62%
53.1
תוצרים מקצועיים
כיסוי 44%
50.6
שימוש בכלים
כיסוי 52%
48.7
דיוק עובדתי
כיסוי 33%
44.1
מדדים
כל רשומות המדד (40)
עברית
| מבחן הערכה | סטטוס | ציון | משקל | מקור |
|---|---|---|---|---|
| MMLU-ProX | מדד משני · עברית לפי דיווח היצרן | 84.7 | 0.38 | קישור למקור |
לא נמצאו תוצאות עבור: Global-MMLU (GMMLU) · INCLUDE · MAXIFE
חשיבה מדעית
| מבחן הערכה | סטטוס | ציון | משקל | מקור |
|---|---|---|---|---|
| GPQA / GPQA Diamond | מדידה עצמאית · לוח השוואה לוח עצמאי | 88.4 | 0.85 | קישור למקור |
| SuperGPQA | מדידה עצמאית · לוח השוואה לפי דיווח היצרן | 71.6 | 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 | 81.5 | 0.72 | קישור למקור |
| ScreenSpot Pro | מדד משני לפי דיווח היצרן | 68.2 | 0.42 | קישור למקור |
| MathVision | מדד משני לפי דיווח היצרן | 88.0 | 0.42 | קישור למקור |
| VideoMMMU | מדד משני לפי דיווח היצרן | 84.0 | 0.42 | קישור למקור |
לא נמצאו תוצאות עבור: OfficeQA Pro · ERQA · ZeroBench
מתמטיקה
| מבחן הערכה | סטטוס | ציון | משקל | מקור |
|---|---|---|---|---|
| LiveBench | מדידה עצמאית · מתעדכןזיקה מסחרית מוצהרת לוח עצמאי | 68.9 | 1.00 | קישור למקור |
| LiveBench Mathematics | מדידה עצמאית · מתעדכן לוח עצמאי | 83.7 | 1.00 | קישור למקור |
| AIME 2026 | מדידה עצמאית · לוח השוואה לפי דיווח היצרן | 95.3 | 0.72 | קישור למקור |
| HMMT Feb 2026 | מדידה עצמאית · לוח השוואה לפי דיווח היצרן | 87.8 | 0.72 | קישור למקור |
| MathVision | מדד משני לפי דיווח היצרן | 88.0 | 0.42 | קישור למקור |
| FrontierMath v2 | מדד משני · בהסתייגותזיקה מסחרית מוצהרת לוח עצמאי | 26.2 | 0.40 | קישור למקור |
לא נמצאו תוצאות עבור: MATH Level 5
חשיבה מופשטת
| מבחן הערכה | סטטוס | ציון | משקל | מקור |
|---|---|---|---|---|
| LiveBench Reasoning | מדידה עצמאית · מתעדכן לוח עצמאי | 75.8 | 1.00 | קישור למקור |
לא נמצאו תוצאות עבור: ARC-AGI-3 · ARC-AGI-2 · ZeroBench
מחקר ברשת
| מבחן הערכה | סטטוס | ציון | משקל | מקור |
|---|---|---|---|---|
| WideResearch | מדד משניהערכה על ידי מודל אחר לפי דיווח היצרן | 74.3 | 0.42 | קישור למקור |
לא נמצאו תוצאות עבור: WebArena-Verified · Agents' Last Exam · BrowseComp · DeepSearchQA
שפה וניסוח
| מבחן הערכה | סטטוס | ציון | משקל | מקור |
|---|---|---|---|---|
| LiveBench | מדידה עצמאית · מתעדכןזיקה מסחרית מוצהרת לוח עצמאי | 68.9 | 1.00 | קישור למקור |
| LiveBench Language | מדידה עצמאית · מתעדכן לוח עצמאי | 75.0 | 1.00 | קישור למקור |
| MMLU-ProX | מדד משני · עברית לפי דיווח היצרן | 84.7 | 0.38 | קישור למקור |
לא נמצאו תוצאות עבור: Global-MMLU (GMMLU) · INCLUDE
ידע וחשיבה
| מבחן הערכה | סטטוס | ציון | משקל | מקור |
|---|---|---|---|---|
| LiveBench | מדידה עצמאית · מתעדכןזיקה מסחרית מוצהרת לוח עצמאי | 68.9 | 1.00 | קישור למקור |
| LiveBench Reasoning | מדידה עצמאית · מתעדכן לוח עצמאי | 75.8 | 1.00 | קישור למקור |
| GPQA / GPQA Diamond | מדידה עצמאית · לוח השוואה לוח עצמאי | 88.4 | 0.85 | קישור למקור |
| MMLU-Pro | מדידה עצמאית · לוח השוואה לפי דיווח היצרן | 88.5 | 0.72 | קישור למקור |
| Humanity's Last Exam (HLE) | מדידה עצמאית · לוח השוואההערכה על ידי מודל אחרזיקה מסחרית מוצהרת לפי דיווח היצרן | 28.8 | 0.72 | קישור למקור |
| SuperGPQA | מדידה עצמאית · לוח השוואה לפי דיווח היצרן | 71.6 | 0.72 | קישור למקור |
| MMLU-Redux | מדד משני לפי דיווח היצרן | 94.5 | 0.42 | קישור למקור |
ניתוח נתונים
| מבחן הערכה | סטטוס | ציון | משקל | מקור |
|---|---|---|---|---|
| LiveBench | מדידה עצמאית · מתעדכןזיקה מסחרית מוצהרת לוח עצמאי | 68.9 | 1.00 | קישור למקור |
| LiveBench Data Analysis | מדידה עצמאית · מתעדכן לוח עצמאי | 69.9 | 1.00 | קישור למקור |
| CharXiv | מדידה עצמאית · לוח השוואה לפי דיווח היצרן | 81.5 | 0.72 | קישור למקור |
עמידה בהוראות
| מבחן הערכה | סטטוס | ציון | משקל | מקור |
|---|---|---|---|---|
| LiveBench | מדידה עצמאית · מתעדכןזיקה מסחרית מוצהרת לוח עצמאי | 68.9 | 1.00 | קישור למקור |
| LiveBench Instruction Following | מדידה עצמאית · מתעדכן לוח עצמאי | 58.3 | 1.00 | קישור למקור |
| IFBench | מדידה עצמאית · לוח השוואה לפי דיווח היצרן | 75.8 | 0.72 | קישור למקור |
| IFEval | מדד משניזיקה מסחרית מוצהרת לפי דיווח היצרן | 94.3 | 0.42 | קישור למקור |
לא נמצאו תוצאות עבור: MAXIFE
הפעלת מחשב
| מבחן הערכה | סטטוס | ציון | משקל | מקור |
|---|---|---|---|---|
| ScreenSpot Pro | מדד משני לפי דיווח היצרן | 68.2 | 0.42 | קישור למקור |
לא נמצאו תוצאות עבור: OSWorld · AndroidWorld · WebArena-Verified
טקסט ותמונה
| מבחן הערכה | סטטוס | ציון | משקל | מקור |
|---|---|---|---|---|
| MMMU-Pro | מדידה עצמאית · לוח השוואה לפי דיווח היצרן | 78.8 | 0.72 | קישור למקור |
| Humanity's Last Exam (HLE) | מדידה עצמאית · לוח השוואההערכה על ידי מודל אחרזיקה מסחרית מוצהרת לפי דיווח היצרן | 28.8 | 0.36 | קישור למקור |
| MMMU | מדד משני לפי דיווח היצרן | 86.0 | 0.35 | קישור למקור |
קוד ופיתוח תוכנה
| מבחן הערכה | סטטוס | ציון | משקל | מקור |
|---|---|---|---|---|
| LiveBench | מדידה עצמאית · מתעדכןזיקה מסחרית מוצהרת לוח עצמאי | 68.9 | 1.00 | קישור למקור |
| SWE-bench Verified | מדידה עצמאית · מתעדכןזיקה מסחרית מוצהרת לוח עצמאי | 57.9 | 1.00 | קישור למקור |
| LiveBench Coding | מדידה עצמאית · מתעדכן לוח עצמאי | 78.2 | 1.00 | קישור למקור |
| LiveBench Agentic Coding | מדידה עצמאית · מתעדכן לוח עצמאי | 41.4 | 1.00 | קישור למקור |
| LiveCodeBench | מדידה עצמאית · מתעדכן לפי דיווח היצרן | 87.1 | 0.85 | קישור למקור |
| SWE-bench Pro | מדידה עצמאית · לוח השוואה לפי דיווח היצרן | 56.6 | 0.72 | קישור למקור |
| Vibe Code Bench | מדד משני לוח עצמאי | 25.6 | 0.50 | קישור למקור |
| SWE-bench Multilingual | מדד משני לפי דיווח היצרן | 73.8 | 0.42 | קישור למקור |
לא נמצאו תוצאות עבור: SWE-rebench · Aider Polyglot · MirrorCode · SciCode · CursorBench · NL2Repo · DeepSWE · FrontierCode 1.1 · ProgramBench
מסמכים ארוכים
| מבחן הערכה | סטטוס | ציון | משקל | מקור |
|---|---|---|---|---|
| LongBench v2 | מדידה עצמאית · לוח השוואה לפי דיווח היצרן | 62.0 | 0.72 | קישור למקור |
לא נמצאו תוצאות עבור: MRCR 1M
עבודה בשורת פקודה
| מבחן הערכה | סטטוס | ציון | משקל | מקור |
|---|---|---|---|---|
| Terminal-Bench 2.0 | מדידה עצמאית · מתעדכן לפי דיווח היצרן | 61.6 | 0.85 | קישור למקור |
לא נמצאו תוצאות עבור: Terminal-Bench 3.0
ביצוע משימות מרובות שלבים
| מבחן הערכה | סטטוס | ציון | משקל | מקור |
|---|---|---|---|---|
| Terminal-Bench 2.0 | מדידה עצמאית · מתעדכן לפי דיווח היצרן | 61.6 | 0.85 | קישור למקור |
| MCP Atlas | מדד משני לפי דיווח היצרן | 48.2 | 0.42 | קישור למקור |
| Toolathlon | מדד משני לפי דיווח היצרן | 39.8 | 0.42 | קישור למקור |
| Claw-Eval | מדד משני · בהסתייגות לוח עצמאי | 58.8 | 0.40 | קישור למקור |
| WideResearch | מדד משניהערכה על ידי מודל אחר לפי דיווח היצרן | 74.3 | 0.36 | קישור למקור |
| Gert Labs | מדד משני · בהסתייגותהערכה על ידי מודל אחרזיקה מסחרית מוצהרת לוח עצמאי | 50.6 | 0.34 | קישור למקור |
לא נמצאו תוצאות עבור: Berkeley Function Calling Leaderboard (BFCL) V4 · Terminal-Bench 3.0 · OSWorld · AndroidWorld · Agents' Last Exam · AutomationBench · JobBench · DeepSearchQA · MLE-bench
כתיבת קוד עצמאית
| מבחן הערכה | סטטוס | ציון | משקל | מקור |
|---|---|---|---|---|
| LiveBench | מדידה עצמאית · מתעדכןזיקה מסחרית מוצהרת לוח עצמאי | 68.9 | 1.00 | קישור למקור |
| LiveBench Agentic Coding | מדידה עצמאית · מתעדכן לוח עצמאי | 41.4 | 1.00 | קישור למקור |
| Terminal-Bench 2.0 | מדידה עצמאית · מתעדכן לפי דיווח היצרן | 61.6 | 0.85 | קישור למקור |
| SWE-bench Pro | מדידה עצמאית · לוח השוואה לפי דיווח היצרן | 56.6 | 0.72 | קישור למקור |
| Vibe Code Bench | מדד משני לוח עצמאי | 25.6 | 0.50 | קישור למקור |
לא נמצאו תוצאות עבור: Terminal-Bench 3.0 · CursorBench · DeepSWE
תוצרים מקצועיים
| מבחן הערכה | סטטוס | ציון | משקל | מקור |
|---|---|---|---|---|
| Gert Labs | מדד משני · בהסתייגותהערכה על ידי מודל אחרזיקה מסחרית מוצהרת לוח עצמאי | 50.6 | 0.40 | קישור למקור |
לא נמצאו תוצאות עבור: JobBench
שימוש בכלים
| מבחן הערכה | סטטוס | ציון | משקל | מקור |
|---|---|---|---|---|
| MCP Atlas | מדד משני לפי דיווח היצרן | 48.2 | 0.42 | קישור למקור |
| Toolathlon | מדד משני לפי דיווח היצרן | 39.8 | 0.42 | קישור למקור |
| Claw-Eval | מדד משני · בהסתייגות לוח עצמאי | 58.8 | 0.40 | קישור למקור |
לא נמצאו תוצאות עבור: Berkeley Function Calling Leaderboard (BFCL) V4
דיוק עובדתי
| מבחן הערכה | סטטוס | ציון | משקל | מקור |
|---|---|---|---|---|
| SimpleQA Verified | מדד משני · בהסתייגותזיקה מסחרית מוצהרת לוח עצמאי | 44.1 | 0.40 | קישור למקור |
לא נמצאו תוצאות עבור: SimpleQA · DeepSearchQA
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-5.4GPT-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 27BQwen3.7 FlashQwen3.7 MaxQwen3.7 PlusQwen3.8 2.4T A95BQwen3.8-27BQwen3.8 FlashQwen3.8-Flash-NextQwen3.8 MaxStep 3.5 FlashTrinity-Large-Preview