بنچمارک‌ها و جدول‌های رده‌بندی

تبیین Terminal-Bench 3.0

TB 3.0 در برابر 2.1، رتبه‌بندی‌های فعلی، و اینکه کدام صدرنشین‌ها قابل فروش هستند

به‌روزرسانی شده 2026-11-14

توضیح جدول رتبه‌بندی Terminal-Bench 2.1

سه جدول، سه برنده: فاصله 83.8 رسمی / 89.5 در AA / 85.77 در vals کاملاً توضیح داده می‌شود

به‌روزرسانی شده 2026-11-14

رتبه‌بندی SWE-Bench Pro تا 2026-10-07: تابلوهای رسمی مجموعه‌داده عمومی و خصوصی Scale AI، عیناً

SWE-Bench Pro در تابلوی Scale AI (2026-10-07): Muse Spark 1.1* با 61.50 در مجموعه عمومی پیشتاز است، gpt-5.4 (xHigh)* با 59.10؛ خصوصی: Muse Spark 1.1* با 51.5.

به‌روزرسانی شده 2026-11-14

ارزیابی Ornith-1.5 به‌دست خودتان

یک مدل جدید را در برابر کار خودتان ارزیابی کنید، نه با جدول‌های رتبه‌بندی عمومی.

به‌روزرسانی شده 2026-11-14