Claude Fable 5.1
1 745,0балла- 53,4 балла в общем индексе интеллекта
- Разработчик — Anthropic
GDPval-AA
GDPval-AA — тест на одну способность: реальная работа за деньги. Задания, взятые из настоящих профессий: то, за что людям платят зарплату. Оценивает не абстрактный интеллект, а годность к работе.
Что проверяетреальная работа за деньги
Моделей в выгрузке15
Лучшие результаты теста
Claude Opus 5
1 735,0балла- Отстаёт от первого места на 10,0 пункта
- 50,8 балла в общем индексе интеллекта
- Разработчик — Anthropic
Muse Spark 1.3
1 703,0балла- Отстаёт от первого места на 42,0 пункта
- 48,1 балла в общем индексе интеллекта
- Разработчик — Meta*
Как читать результат
Разрыв между первым и десятым местом — 114,0 пункта: 1 745,0 против 1 631,0. Тест хорошо разводит модели по уровню.
Сильные именно здесь: Muse Spark 1.3 — 24-е место в общем зачёте, Qwen3.8 Max — 35-е место в общем зачёте, Grok 4.6 — 39-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 — реальная работа за деньги. Из первой десятки этого зачёта 9 моделей нашлись в общем рейтинге, и там они стоят в среднем на 34-м месте: высокий балл здесь не переносится на остальные задачи. Поэтому итоговые оценки на сайте — сводные индексы из нескольких тестов, а не одно число.