Model benchmarks
Benchmark dei Modelli
| Modelli | ||||||
|---|---|---|---|---|---|---|
| GPT-4o | 51.4% | 66.1% | 31% | 60.3% | 72.09% | 27% |
| Claude 3.5 Sonnet | 18% | 65% | 49% | 76% | 65.46% | 55.6% |
| Claude 3.7 Sonnet | 23.3% | 68% | 62.3% | 82.2% | 68.3 | 60.4% |
| GPT-4.5 | 36.7% | 74.1% | 39% | n/a | 69.94% | 44.6% |
| DeepSeek V3 G324 | 58.4% | 64.9% | 38.6% | 81% | 68.05% | 58.1% |
| Claude 3.7 Sonnet [P] | 61.3% | 78.2% | 73.3% | 86.5% | 83.3% | 64.9% |
| OpenAI o1-mini | 63.6% | 60% | n/a | 90% | 62.2% | 52.8% |
| OpenAI o1 | 79.2% | 79.7% | 46.6% | 95.4% | 67.8% | 67% |
| OpenAI o1-mini-2 | 87.3% | 79.7% | 61% | 97.6% | 65.12% | 60.4% |
| Gemini 2.0 Pro | 52% | 84% | 63.6% | n/a | n/a | 72.5% |
| Gemini 3 (Beta) | 93.3% | 84.8% | n/a | n/a | n/a | n/a |
| Llama 4 Behemoth | n/a | 73.7% | n/a | 95% | n/a | n/a |
| Llama 4 Scout | n/a | 87.2% | n/a | n/a | n/a | n/a |
| Llama 4 Maverick | n/a | 88.8% | n/a | n/a | n/a | 58.6% |
| Gemini 3 Pro | n/a | 42.4% | 52.2% | 69% | n/a | 4.8% |
| Qwen 2.5-VL-32B | n/a | 46% | 18.8% | 82.2% | n/a | 69.84% |
| Gemini 2.0 Flash | n/a | 62.1% | 51.8% | 83.7% | 60.42 | 22.2% |
| Llama 3.1 70b | n/a | 50.5% | n/a | 77% | 77.5 | 61.45% |
| Nous Pro | n/a | 46.8% | n/a | 76.6% | 68.4% | 61.38% |
| Claude 3.5 Haiku | n/a | 49.8% | 40.5% | 68.4% | 64.31% | 28% |
| Llama 3.1 405b | n/a | 49% | n/a | 73.8% | 81.1% | n/a |
| GPT-4o-mini | n/a | 40.2% | n/a | 70.2% | 64.1 | 3.6% |
Dettagli dei Modelli
GPT-4o (OpenAI)
Modello multimodale che eccelle nelle valutazioni accademiche e nel ragionamento matematico. Mostra prestazioni elevate nel ragionamento logico (BFCL 72.09%) ma relativamente più deboli nelle attività del dominio automobilistico.
Claude 3.5 Sonnet (Anthropic)
Modello equilibrato con forti capacità di codifica (SWE Bench 49%) e competenza matematica (MATH 500 76%). Comprensione migliorata del dominio automobilistico rispetto alle versioni precedenti.
Claude 3.7 Sonnet [P] (Anthropic)
Versione migliorata che mostra miglioramenti drastici in tutti i benchmark, in particolare nell’ingegneria del software (SWE Bench 73.3%) e nella logica fondamentale (BFCL 83.3%). Potenziale variante proprietaria.
DeepSeek V3 G324
Modello versatile con prestazioni elevate in MMAE 2024 (58.4%) ed eccellenti capacità matematiche (MATH 500 81%). Mantiene prestazioni costanti in tutti i domini.
OpenAI o1 Series
Modelli di nuova generazione che mostrano prestazioni rivoluzionarie in matematica (o1-mini-2: MATH 500 97.6%). La variante o1-mini-2 è leader nelle valutazioni accademiche (MMAE 87.3%) mantenendo forti capacità di codifica.
Gemini 3 Series (Google)
La versione Beta mostra prestazioni record in MMAE 2024 (93.3%) ma benchmarking incompleto. La variante Pro sembra specializzata per diverse attività con risultati misti.
Llama 4 Series (Meta)
Varianti specializzate con l’edizione Maverick in testa in GPQA (88.8%). Il modello Behemoth mostra un forte ragionamento matematico (MATH 500 95%) mentre la variante Scout eccelle nel questioning accademico.
Qwen 2.5-VL-32B
Modello focalizzato sulla visione artificiale con sorprendenti prestazioni nel dominio automobilistico (Aide Peugeot 69.84%). Mostra discrete capacità matematiche nonostante punteggi più deboli nella programmazione.
Nous Pro
Modello per uso generale con prestazioni costanti di medio livello in tutti i benchmark. Mostra particolare forza nelle applicazioni automobilistiche (61.38%) rispetto a modelli di dimensioni simili.
Llama 3.1 Series
Modelli su larga scala che mostrano forti capacità logiche fondamentali (405b: BFCL 81.1%). La variante 70b mantiene prestazioni equilibrate in più domini.