Claude Fable 5.1
1 650,0балла- 53,4 балла в общем индексе интеллекта
- Разработчик — Anthropic
AA-Briefcase
AA-Briefcase — тест на одну способность: офисная работа с документами. Модель получает набор файлов и рабочее задание: свести данные, найти противоречие, подготовить справку.
Что проверяетофисная работа с документами
Моделей в выгрузке12
Лучшие результаты теста
Claude Opus 5
1 633,0балла- Отстаёт от первого места на 17,0 пункта
- 50,8 балла в общем индексе интеллекта
- Разработчик — Anthropic
Qwen3.8 Max
1 610,0балла- Отстаёт от первого места на 40,0 пункта
- 45,4 балла в общем индексе интеллекта
- Разработчик — Alibaba
Как читать результат
Разрыв между первым и десятым местом — 162,0 пункта: 1 650,0 против 1 488,0. Тест хорошо разводит модели по уровню.
Сильные именно здесь: Qwen3.8 Max — 35-е место в общем зачёте, Muse Spark 1.3 — 24-е место в общем зачёте, Qwen3.8-Flash-Next — 62-е место в общем зачёте. Высокий балл на одном тесте не переносится на остальные задачи.
Разница в один-два пункта укладывается в разброс между двумя прогонами одной и той же модели. Значимой считается разница от пяти пунктов.
Любой бенчмарк стареет: задачи попадают в открытый доступ, а оттуда — в обучающие данные новых моделей, и высокий балл начинает означать хорошую память, а не сообразительность.
Ограничения теста
Тест меряет одну способность — офисная работа с документами. Из первой десятки этого зачёта 10 моделей нашлись в общем рейтинге, и там они стоят в среднем на 29-м месте: высокий балл здесь не переносится на остальные задачи. Поэтому итоговые оценки на сайте — сводные индексы из нескольких тестов, а не одно число.