LiveCodeBench
LiveCodeBench — тест на одну способность: программирование. Свежие задачи с соревнований по программированию, добавленные после выхода модели. Так исключается ситуация, когда модель просто помнит решение.
Результаты этого теста в наши выгрузки пока не попали: таблица появится, когда источник отдаст цифры. Описание теста ниже от этого не меняется.
Как читать результат
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 — программирование. Даже полный набор результатов не сказал бы, годится ли модель для конкретной работы: для этого на сайте есть сводные индексы и разделы под задачу.