Benchmark · agentic

GDPval-AA (Elo)

14 resultados 10 modelos

Artificial Analysis's pairwise-graded Elo ranking on real-world economically valuable knowledge work; four-digit scores (~640-1950 Elo), so never file a percentage here. Not Chatbot Arena Elo (lmsys-arena) and not OpenAI's percentage GDPval.

Gemini 3.6 Flash Gemini 3.5 Flash-Lite DeepSeek-V4-Flash-0731 Grok 4.6 Gemini 3.7 Flash GLM-5.3 GLM-5.3-Flash Claude Fable 5.1 Muse Spark 1.3 K2-Horizon-375B-A23B

Cronología

Fecha	Modelo	Puntuación	Fuente
2026-09-07	K2-Horizon-375B-A23B	1441.0Elo	IFM lanza K2 Horizon: seis modelos Apache 2.0 de 0.9B a 375B
2026-09-04	Muse Spark 1.3	1754.0Elo	Meta lanza Muse Spark 1.3 con menos llamadas a herramientas y tokens
2026-09-01	Claude Fable 5.1	1853.0Elo	Anthropic lanza Claude Fable 5.1 con 52,6% en Terminal-Bench-Science y lecturas de caché más baratas
2026-08-27	GLM-5.3-Flash	1770.0Elo	NVIDIA compra HuggingFace por $13B; Z.ai lanza GLM-5.3-Flash
2026-08-27	GLM-5.3-Flash	1770.0Elo	Z.ai lanza GLM-5.3-Flash, un modelo multimodal de 320B parámetros con contexto de 1M
2026-08-21	Grok 4.6	1577.0Elo	SpaceXAI presenta Grok 4.6 con datos de Cursor para trabajo agéntico
2026-08-17	GLM-5.3	1769.0Elo	Z.ai lanza el modelo de codificación GLM-5.3; Cursor se une a SpaceXAI
2026-08-14	Gemini 3.7 Flash	1525.0Elo	Google lanza Gemini 3.7 Flash con mejoras algorítmicas y precios más bajos
2026-08-13	Grok 4.6	1753.0Elo	SpaceXAI lanza Grok 4.6 con contexto de 500K y razonamiento agéntico mejorado
2026-08-13	Grok 4.6	1753.0Elo	xAI lanza Grok 4.6, Alibaba suelta Qwen3.8-Max, DeepSeek V4 Pro GA
2026-08-13	Grok 4.6	1753.0Elo	xAI lanza Grok 4.6; Alibaba abre Qwen3.8-MoE; DeepSeek V4 Pro GA
2026-08-07	DeepSeek-V4-Flash-0731	1558.0Elo	DeepSeek lanza V4-Flash-0731, superando a V4-Pro a menor costo
2026-07-27	Gemini 3.6 Flash	1421.0Elo	Google lanza Gemini 3.6 Flash, 3.5 Flash-Lite y 3.5 Flash Cyber
2026-07-27	Gemini 3.5 Flash-Lite	1140.0Elo	Google lanza Gemini 3.6 Flash, 3.5 Flash-Lite y 3.5 Flash Cyber