Benchmark · agentic

GDPval-AA (Elo)

14 条结果 10 个模型

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

时间线

日期	模型	得分	来源
2026-09-07	K2-Horizon-375B-A23B	1441.0Elo	IFM发布K2 Horizon：六款Apache 2.0许可证模型，参数量从0.9B到375B
2026-09-04	Muse Spark 1.3	1754.0Elo	Meta 发布 Muse Spark 1.3，减少工具调用和 token 数量
2026-09-01	Claude Fable 5.1	1853.0Elo	Anthropic 发布 Claude Fable 5.1，在 Terminal-Bench-Science 上取得 52.6% 的成绩，并降低缓存读取成本
2026-08-27	GLM-5.3-Flash	1770.0Elo	英伟达以130亿美元收购HuggingFace；Z.ai发布GLM-5.3-Flash
2026-08-27	GLM-5.3-Flash	1770.0Elo	Z.ai 发布 GLM-5.3-Flash，一款拥有 100 万上下文的 320B 参数多模态模型
2026-08-21	Grok 4.6	1577.0Elo	SpaceXAI 推出 Grok 4.6，提供 Cursor 数据以支持智能体工作
2026-08-17	GLM-5.3	1769.0Elo	Z.ai 发布 GLM-5.3 编码模型；Cursor 加入 SpaceXAI
2026-08-14	Gemini 3.7 Flash	1525.0Elo	Google 发布 Gemini 3.7 Flash，带来算法改进与更低定价
2026-08-13	Grok 4.6	1753.0Elo	SpaceXAI发布Grok 4.6，支持50万上下文并增强代理推理能力
2026-08-13	Grok 4.6	1753.0Elo	xAI发布Grok 4.6，阿里巴巴推出Qwen3.8-Max，DeepSeek V4 Pro正式GA
2026-08-13	Grok 4.6	1753.0Elo	xAI发布Grok 4.6；阿里巴巴开源Qwen3.8-MoE；DeepSeek V4 Pro正式商用
2026-08-07	DeepSeek-V4-Flash-0731	1558.0Elo	DeepSeek 发布 V4-Flash-0731，以更低成本超越 V4-Pro
2026-07-27	Gemini 3.6 Flash	1421.0Elo	Google发布Gemini 3.6 Flash、3.5 Flash-Lite和3.5 Flash Cyber
2026-07-27	Gemini 3.5 Flash-Lite	1140.0Elo	Google发布Gemini 3.6 Flash、3.5 Flash-Lite和3.5 Flash Cyber