מה מודלים באמת עושים בעבודה אמיתית

מדד מורכב של מעריך עצמאי, המשקלל מגוון משימות לציון יכולת אחד.

• Claude Fable 5Max62דווח על ידי Artificial Analysis
• GPT-5.6 SolMax61דווח על ידי Artificial Analysis
• Grok 4.6High61דווח על ידי Artificial Analysis

מדד ייעודי לסוכני קוד, המודד ביצועים בתוך מעטפת סוכן ולא קריאת מודל בודדת.

• GPT-5.6 Sol80דווח על ידי OpenAIמדווח, לא עצמאי
• Claude Fable 577.2דווח על ידי OpenAIמדווח, לא עצמאי

משימות טרמינל מקצה לקצה הדורשות שימוש נכון בכלים לאורך שלבים מרובים.

• GPT-5.6 Sol88.8%דווח על ידי OpenAIמדווח, לא עצמאי
• Claude Fable 583.1%דווח על ידי OpenAIמדווח, לא עצמאי

הגרסה המחמירה יותר של Terminal-Bench, שבה כל המודלים עדיין מתקשים.

• GPT-5.6 SolMax34.6%דווח על ידי Cursor / SpaceXAIמדווח, לא עצמאיתוצאות המתחרים הן הנתונים העצמיים או הציבוריים הטובים ביותר שצורפו להשקה; רמות המאמץ והמעטפות אינן זהות.
• Claude Fable 5Max34.1%דווח על ידי Cursor / SpaceXAIמדווח, לא עצמאיתוצאות המתחרים הן הנתונים העצמיים או הציבוריים הטובים ביותר שצורפו להשקה; רמות המאמץ והמעטפות אינן זהות.
• Grok 4.6High26%דווח על ידי Cursor / SpaceXAIמדווח, לא עצמאיתוצאות המתחרים הן הנתונים העצמיים או הציבוריים הטובים ביותר שצורפו להשקה; רמות המאמץ והמעטפות אינן זהות.

משימות הנדסת תוכנה מבוססות מאגרי קוד אמיתיים.

• GPT-5.6 Sol72.7%דווח על ידי OpenAIמדווח, לא עצמאי
• Claude Fable 569.7%דווח על ידי OpenAIמדווח, לא עצמאי
• Grok 4.6High65.9%דווח על ידי Cursor / SpaceXAIמדווח, לא עצמאיתוצאות המתחרים הן הנתונים העצמיים או הציבוריים הטובים ביותר שצורפו להשקה; רמות המאמץ והמעטפות אינן זהות.

בנצ'מרק בבעלות Cursor, המודד עבודת עריכת קוד בתוך Cursor. אינו עצמאי כשמדובר במודלים ש-Cursor שותפה בפיתוחם.

• Grok 4.6xhigh70.8%דווח על ידי Cursorמדווח, לא עצמאיCursor פיתחה את המודל במשותף וגם מחזיקה בבנצ'מרק, ולכן זו עדות מדווחת ולא תוצאה עצמאית.
• Claude Fable 5Max70.5%דווח על ידי Cursor / SpaceXAIמדווח, לא עצמאיתוצאות המתחרים הן הנתונים העצמיים או הציבוריים הטובים ביותר שצורפו להשקה; רמות המאמץ והמעטפות אינן זהות.
• Grok 4.6High69.9%דווח על ידי Cursor / SpaceXAIמדווח, לא עצמאיCursor פיתחה את המודל במשותף וגם מחזיקה בבנצ'מרק, ולכן זו עדות מדווחת ולא תוצאה עצמאית.
• GPT-5.6 SolMax67.2%דווח על ידי Cursor / SpaceXAIמדווח, לא עצמאיתוצאות המתחרים הן הנתונים העצמיים או הציבוריים הטובים ביותר שצורפו להשקה; רמות המאמץ והמעטפות אינן זהות.

משימות קוד ברמת קושי גבוהה שנכללו בטבלת ההשקה של Grok 4.6.

• Grok 4.6High61.3%דווח על ידי Cursor / SpaceXAIמדווח, לא עצמאיתוצאות המתחרים הן הנתונים העצמיים או הציבוריים הטובים ביותר שצורפו להשקה; רמות המאמץ והמעטפות אינן זהות.

מדד סוכנים שנכלל בטבלת ההשקה של Grok 4.6.

• Grok 4.6High57.5%דווח על ידי Cursor / SpaceXAIמדווח, לא עצמאיתוצאות המתחרים הן הנתונים העצמיים או הציבוריים הטובים ביותר שצורפו להשקה; רמות המאמץ והמעטפות אינן זהות.

מדד המשקלל ערך כלכלי של משימות, לא רק אחוז הצלחה.

• Grok 4.6High1,753דווח על ידי Cursor / SpaceXAIמדווח, לא עצמאיתוצאות המתחרים הן הנתונים העצמיים או הציבוריים הטובים ביותר שצורפו להשקה; רמות המאמץ והמעטפות אינן זהות.

משימות הנדסה ארוכות־טווח הבודקות עמידות לאורך זמן.

• Grok 4.6High31.9%דווח על ידי Cursor / SpaceXAIמדווח, לא עצמאיתוצאות המתחרים הן הנתונים העצמיים או הציבוריים הטובים ביותר שצורפו להשקה; רמות המאמץ והמעטפות אינן זהות.

מדד הנדסת חשמל מתוך כרטיס המודל של Grok 4.6.

• Grok 4.6xhigh60דווח על ידי SpaceXAI model cardמדווח, לא עצמאי
• GPT-5.6 Sol39.4דווח על ידי SpaceXAI model cardמדווח, לא עצמאי

מדד יצירת CAD מתוך כרטיס המודל של Grok 4.6.

• Grok 4.6xhigh40.9דווח על ידי SpaceXAI model cardמדווח, לא עצמאי
• GPT-5.6 Sol37.1דווח על ידי SpaceXAI model cardמדווח, לא עצמאי