Ranking modeli AI
Benchmarki
Rankingi AI per benchmark — GPQA, MMLU-Pro, SWE-Bench, HumanEval, LiveBench, Humanity’s Last Exam, MATH i Elo LMArena. Każdy benchmark jest normalizowany do wspólnej skali 0–100 i rankowany na podstawie publicznych wyników publikowanych przez ich twórców.
Hugging Face
GPQA
GPQA to benchmark z pytaniami wielokrotnego wyboru stworzony przez Google DeepMind — 448 pytań z fizyki, chemii i biologii na poziomie studiów podyplomowych. Nazwa oznacza, że pytania są tak trudne, że nie odpowie na nie wyszukiwarka, co chroni benchmark przed kontaminacją. Wynik pokazuje, jak często model poprawnie odpowiada na eksperckie pytania.
18 modeli w rankingu · #1 GPT-5 99 →
Hugging Face
MMLU-Pro
MMLU-Pro to trudniejszy następca MMLU, klasycznego benchmarku wiedzy. Rozszerza pierwotny test do ponad 12 000 pytań z 14 dyscyplin akademickich i dodaje po dziesięć opcji odpowiedzi, przez co zgadywanie jest znacznie trudniejsze. Mierzy szerokość wiedzy o świecie modelu i niezawodność rozumowania w tematach od prawa i medycyny po fizykę i ekonomię.
18 modeli w rankingu · #1 GPT-5 98 →
BenchLM
HumanEval
HumanEval to benchmark generowania kodu od OpenAI: 164 ręcznie napisane zadania programistyczne, które sprawdzają, czy model potrafi napisać poprawną funkcję w Pythonie na podstawie opisu. Wyniki podawane są jako pass@1, czyli odsetek zadań rozwiązanych za pierwszym podejściem. To jeden z najstarszych i najczęściej cytowanych benchmarków kodowania, nawet jeśli prawdziwe programowanie szybko go przerosło.
18 modeli w rankingu · #1 GPT-5 100 →
BenchLM
SWE-Bench
SWE-Bench to benchmark agentowego kodowania: model dostaje prawdziwy problem z GitHub z otwartego repozytorium i ma przygotować poprawkę, która przejdzie testy projektu. Ponad 2000 zadań sprawdza, czy AI potrafi poruszać się po nieznanym kodzie, rozumieć zgłoszenia błędów i wdrażać poprawki, które faktycznie trafiają do repozytorium. To najbliższy publiczny odpowiednik zatrudnionego inżyniera oprogramowania.
18 modeli w rankingu · #1 GPT-5 93 →
LiveBench
LiveBench
LiveBench to odporny na kontaminację benchmark publikowany na bieżąco przez Abacus AI — nowe zestawy pytań ukazują się w stałym rytmie, więc modele nie mogą trenować na przeciekniętych odpowiedziach. Ocenia 23 obiektywne zadania w siedmiu kategoriach — rozumowanie, kodowanie, matematykę, analizę danych, język i inne — a każda odpowiedź jest weryfikowalna kodem, nie sędzią AI.
18 modeli w rankingu · #1 GPT-5 99 →
BenchLM
Humanity's Last Exam
Humanity's Last Exam to najtrudniejszy benchmark wiedzy, jaki kiedykolwiek powstał: 2500 pytań napisanych przez ponad 1000 ekspertów ze 100 dziedzin — od matematyki i fizyki po prawo i językoznawstwo. Zaprojektowany przez Center for AI Safety i Scale AI jako test graniczny; większość czołowych modeli wciąż zdobywa poniżej 20 procent. To najlepsza dostępna miara górnej granicy wiedzy AI.
18 modeli w rankingu · #1 GPT-5 89 →
Hugging Face
MATH
Benchmark MATH to zbiór 5000 zadań matematycznych na poziomie olimpiad z 7 działów — od algebry i kombinatoryki po teorię liczb i analizę wstępną. Sprawdza nie tylko rachunki, ale rozumowanie krok po kroku, ponieważ zadania oceniane są wyłącznie po wyniku końcowym. Wciąż jest standardowym sygnałem tego, jak dobrze model naprawdę myśli — a nie tego, co zapamiętał.
18 modeli w rankingu · #1 GPT-5 95 →
LMArena
Elo LMArena
LMArena (dawniej LMSYS Chatbot Arena) to największy ranking preferencji ludzkich w AI. Ślepe pojedynki modeli oceniane są przez miliony prawdziwych użytkowników, a wyniki zasilają rating Elo oparty na modelu Bradleya-Terry’ego — tym samym systemie, który znają szachiści. Pokazuje, z czym ludzie naprawdę wolą rozmawiać, czego żaden automatyczny benchmark nie odtworzy w pełni.
18 modeli w rankingu · #1 GPT-5 100 →
AIRank agreguje te wyniki z publicznych źródeł wymienionych na każdej stronie. Nie prowadzimy własnych ewaluacji, a surowe wyniki normalizujemy do skali 0–100, aby tabele były porównywalne.