सार्वजनिक डेटा को सही रखने में मदद करें
कुछ गायब, गलत या पुराना दिख रहा है? इस पेज के बारे में हमें बताएँ।
कुछ गायब, गलत या पुराना दिख रहा है? इस पेज के बारे में हमें बताएँ।
AI बेंचमार्क के परिणाम और मॉडल का प्रदर्शन
तारीख के अनुसार दिखाए गए अलग-अलग बेंचमार्क स्कोर।
| संगठन | मॉडल | रिपोर्ट किया गया | सबसे ऊँचा स्कोर | जानकारी | स्व-रिपोर्ट किया गया | स्रोत |
|---|---|---|---|---|---|---|
| Muse Spark 1.1 | 09 जुल॰ 2026 | 88.10% | MCP Atlas; scaled tool use | हाँ | स्रोत | |
| Kimi K3 | 16 जुल॰ 2026 | 84.20% | 500-task public subset; 100-turn limit; Gemini 3.1 Pro judge. | हाँ | स्रोत | |
| Gemini 3.5 Flash | 19 मई 2026 | 83.60% | MCP Atlas | हाँ | स्रोत | |
| LongCat 2.5 | 02 नव॰ 2026 | 83.10% | MCP Atlas; reasoning max, temperature 0.7, top_p 0.95, 256K context; thinking enabled, temperature 1.0, top_p 0.95 unless stated; Meituan-reported in the LongCat-2.5 launch blog (accessed 2026-11-02) | हाँ | स्रोत | |
| Beam | 05 अक्टू॰ 2026 | 78.70% | Reflection-reported launch score. Source row: MCP Atlas. Accessed 2026-10-05T22:51:12.456Z. Harness, reasoning effort, sampling and trial count are not specified per row. Not independently reproduced. | हाँ | स्रोत | |
| Claude Opus 4.7 | 16 अप्रैल 2026 | 77.30% | - | हाँ | स्रोत | |
| Qwen 3.7 Max | 21 मई 2026 | 76.40% | MCP-Atlas public set; Gemini 2.5 Pro judge | हाँ | स्रोत | |
| Muse Glimmer 30B | 10 अग॰ 2026 | 75.50% | MCP Atlas public set; high reasoning; mean pass rate over four runs | हाँ | स्रोत | |
| GPT 5.5 | 23 अप्रैल 2026 | 75.30% | April 2026 update | हाँ | स्रोत | |
| MiniMax M3 | 01 जून 2026 | 74.20% | Public Set | हाँ | स्रोत | |
| Qwen 3.6 Plus | 01 अप्रैल 2026 | 74.10% | - | हाँ | स्रोत | |
| DeepSeek V4 Pro | 24 अप्रैल 2026 | 73.60% | MCPAtlas Public; Pass@1; DeepSeek-V4-Pro Max | हाँ | स्रोत | |
| GLM 5.1 | 07 अप्रैल 2026 | 71.80% | Public Set | हाँ | स्रोत | |
| Gemini 3.1 Pro Preview | 19 फ़र॰ 2026 | 69.20% | - | हाँ | - | |
| DeepSeek V4 Flash | 24 अप्रैल 2026 | 69% | MCPAtlas; Pass@1; DeepSeek-V4-Flash Max | हाँ | स्रोत | |
| GLM 5 | 11 फ़र॰ 2026 | 67.80% | - | हाँ | स्रोत | |
| GPT 5 Pro | 07 अग॰ 2025 | 67.20% | inferred family alias from gpt-5.4 (score=0.4083; benches=19) | हाँ | स्रोत | |
| GPT 5 Search API | 14 अक्टू॰ 2025 | 67.20% | inferred family alias from gpt-5.4 (score=0.3050; benches=19) | हाँ | स्रोत | |
| GPT 5.4 | 05 मार्च 2026 | 67.20% | - | हाँ | स्रोत | |
| Claude Opus 4.6 | 05 फ़र॰ 2026 | 62.70% | High effort | हाँ | स्रोत | |
| LongCat 2.0 | 30 जून 2026 | 61.80% | MCP Atlas; reasoning max, temperature 0.7, top_p 0.95, 256K context; thinking enabled, temperature 1.0, top_p 0.95 unless stated; Meituan-reported in the LongCat-2.5 launch blog (accessed 2026-11-02) | हाँ | स्रोत | |
| Nova 2 Pro | 02 दिस॰ 2025 | 61.60% | - | हाँ | स्रोत | |
| Claude Sonnet 4.6 | 17 फ़र॰ 2026 | 61.30% | - | हाँ | स्रोत | |
| GPT 5.2 Chat | 11 दिस॰ 2025 | 60.60% | inferred alias from gpt-5.2-2025-12-11 | हाँ | स्रोत | |
| GPT 5.4 Mini | 17 मार्च 2026 | 57.70% | - | हाँ | स्रोत |
