Qwen3.8-27B
מודל פתוח של עליבאבא עם חלון הקשר של 262K טוקנים. מדד האיכות המרוכז של המקור עומד על 72.7.
כל רשומות המדד (18)
חשיבה מדעית
| מבחן הערכה | סטטוס | ציון | משקל | מקור |
|---|---|---|---|---|
| GPQA / GPQA Diamond | מדידה עצמאית · לוח השוואה לפי דיווח היצרן | 89.2 | 0.72 | קישור למקור |
לא נמצאו תוצאות עבור: SciCode · SuperGPQA · CritPt
הבנה חזותית
| מבחן הערכה | סטטוס | ציון | משקל | מקור |
|---|---|---|---|---|
| CharXiv | מדידה עצמאית · לוח השוואה לפי דיווח היצרן | 90.2 | 0.72 | קישור למקור |
| MathVision | מדד משני לפי דיווח היצרן | 90.0 | 0.42 | קישור למקור |
| ERQA | מדד משני לפי דיווח היצרן | 65.5 | 0.42 | קישור למקור |
לא נמצאו תוצאות עבור: ScreenSpot Pro · OfficeQA Pro · ZeroBench · VideoMMMU
ניתוח נתונים
| מבחן הערכה | סטטוס | ציון | משקל | מקור |
|---|---|---|---|---|
| LiveBench | מדידה עצמאית · מתעדכןזיקה מסחרית מוצהרת לוח עצמאי | 72.7 | 1.00 | קישור למקור |
| CharXiv | מדידה עצמאית · לוח השוואה לפי דיווח היצרן | 90.2 | 0.72 | קישור למקור |
לא נמצאו תוצאות עבור: LiveBench Data Analysis
הפעלת מחשב
| מבחן הערכה | סטטוס | ציון | משקל | מקור |
|---|---|---|---|---|
| OSWorld | מדידה עצמאית · לוח השוואה לפי דיווח היצרן | 84.3 | 0.72 | קישור למקור |
| AndroidWorld | מדד משני לפי דיווח היצרן | 81.9 | 0.42 | קישור למקור |
| WebArena-Verified | מדד משני לפי דיווח היצרן | 64.8 | 0.42 | קישור למקור |
לא נמצאו תוצאות עבור: ScreenSpot Pro
מתמטיקה
| מבחן הערכה | סטטוס | ציון | משקל | מקור |
|---|---|---|---|---|
| LiveBench | מדידה עצמאית · מתעדכןזיקה מסחרית מוצהרת לוח עצמאי | 72.7 | 1.00 | קישור למקור |
| MathVision | מדד משני לפי דיווח היצרן | 90.0 | 0.42 | קישור למקור |
לא נמצאו תוצאות עבור: LiveBench Mathematics · AIME 2026 · HMMT Feb 2026 · MATH Level 5 · FrontierMath v2
עמידה בהוראות
| מבחן הערכה | סטטוס | ציון | משקל | מקור |
|---|---|---|---|---|
| LiveBench | מדידה עצמאית · מתעדכןזיקה מסחרית מוצהרת לוח עצמאי | 72.7 | 1.00 | קישור למקור |
| IFBench | מדידה עצמאית · לוח השוואה לפי דיווח היצרן | 79.5 | 0.72 | קישור למקור |
לא נמצאו תוצאות עבור: LiveBench Instruction Following · IFEval · MAXIFE
שפה וניסוח
| מבחן הערכה | סטטוס | ציון | משקל | מקור |
|---|---|---|---|---|
| LiveBench | מדידה עצמאית · מתעדכןזיקה מסחרית מוצהרת לוח עצמאי | 72.7 | 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 | 72.7 | 1.00 | קישור למקור |
| GPQA / GPQA Diamond | מדידה עצמאית · לוח השוואה לפי דיווח היצרן | 89.2 | 0.72 | קישור למקור |
| Humanity's Last Exam (HLE) | מדידה עצמאית · לוח השוואההערכה על ידי מודל אחרזיקה מסחרית מוצהרת לפי דיווח היצרן | 30.8 | 0.57 | קישור למקור |
לא נמצאו תוצאות עבור: LiveBench Reasoning · MMLU-Pro · SuperGPQA · MMLU-Redux
קוד ופיתוח תוכנה
| מבחן הערכה | סטטוס | ציון | משקל | מקור |
|---|---|---|---|---|
| LiveBench | מדידה עצמאית · מתעדכןזיקה מסחרית מוצהרת לוח עצמאי | 72.7 | 1.00 | קישור למקור |
| LiveCodeBench | מדידה עצמאית · מתעדכן לפי דיווח היצרן | 90.3 | 0.85 | קישור למקור |
| SWE-bench Pro | מדידה עצמאית · לוח השוואה לפי דיווח היצרן | 61.7 | 0.72 | קישור למקור |
| NL2Repo | מדד משני לפי דיווח היצרן | 42.3 | 0.42 | קישור למקור |
| DeepSWE | מדד משני לפי דיווח היצרן | 42.2 | 0.42 | קישור למקור |
לא נמצאו תוצאות עבור: SWE-bench Verified · SWE-rebench · Aider Polyglot · LiveBench Coding · LiveBench Agentic Coding · MirrorCode · SciCode · CursorBench · SWE-bench Multilingual · Vibe Code Bench · FrontierCode 1.1 · ProgramBench
ביצוע משימות מרובות שלבים
| מבחן הערכה | סטטוס | ציון | משקל | מקור |
|---|---|---|---|---|
| OSWorld | מדידה עצמאית · לוח השוואה לפי דיווח היצרן | 84.3 | 0.72 | קישור למקור |
| AndroidWorld | מדד משני לפי דיווח היצרן | 81.9 | 0.42 | קישור למקור |
| Agents' Last Exam | מדד משני לפי דיווח היצרן | 42.9 | 0.42 | קישור למקור |
| JobBench | מדד משניהערכה על ידי מודל אחר לפי דיווח היצרן | 33.4 | 0.42 | קישור למקור |
לא נמצאו תוצאות עבור: Berkeley Function Calling Leaderboard (BFCL) V4 · Terminal-Bench 2.0 · Terminal-Bench 3.0 · MCP Atlas · Toolathlon · WideResearch · AutomationBench · DeepSearchQA · MLE-bench · Gert Labs · Claw-Eval
כתיבת קוד עצמאית
| מבחן הערכה | סטטוס | ציון | משקל | מקור |
|---|---|---|---|---|
| LiveBench | מדידה עצמאית · מתעדכןזיקה מסחרית מוצהרת לוח עצמאי | 72.7 | 1.00 | קישור למקור |
| SWE-bench Pro | מדידה עצמאית · לוח השוואה לפי דיווח היצרן | 61.7 | 0.72 | קישור למקור |
| DeepSWE | מדד משני לפי דיווח היצרן | 42.2 | 0.42 | קישור למקור |
לא נמצאו תוצאות עבור: Terminal-Bench 2.0 · Terminal-Bench 3.0 · LiveBench Agentic Coding · CursorBench · Vibe Code Bench
מחקר ברשת
| מבחן הערכה | סטטוס | ציון | משקל | מקור |
|---|---|---|---|---|
| WebArena-Verified | מדד משני לפי דיווח היצרן | 64.8 | 0.42 | קישור למקור |
| Agents' Last Exam | מדד משני לפי דיווח היצרן | 42.9 | 0.42 | קישור למקור |
לא נמצאו תוצאות עבור: WideResearch · BrowseComp · DeepSearchQA
תוצרים מקצועיים
| מבחן הערכה | סטטוס | ציון | משקל | מקור |
|---|---|---|---|---|
| JobBench | מדד משניהערכה על ידי מודל אחר לפי דיווח היצרן | 33.4 | 0.42 | קישור למקור |
לא נמצאו תוצאות עבור: Gert Labs
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 | 30.8 | 0.72 | קישור למקור |
לא נמצאו תוצאות עבור: MMMU-Pro · MMMU