Mis à jour le
Les résultats des benchmarks les plus exigeants, réunis en un seul score. Chaque chiffre est sourcé.
Points ERAZ sur 1000. Cliquez sur un modèle pour voir le détail de ses résultats.
| # | Modèle | Points ERAZ | Raison. | Maths | Code | Agents | N°1 | Couv. |
|---|
« — » = résultat non publié ou non vérifié par une source indépendante. Le classement peut aussi être selon vos priorités.
Score brut de chaque modèle sur chaque benchmark. Plus la case est intense, plus le modèle est proche du meilleur résultat.
14 épreuves choisies pour leur difficulté, leur indépendance et leur résistance à la contamination.
Pour chaque benchmark, le score est ramené sur 100 : (score − plancher) / (meilleur − plancher). Le plancher est le niveau du hasard (25 % pour GPQA, 10 % pour MMMU-Pro, 1000 Elo pour GDPval, 0 sinon). Le meilleur modèle suivi obtient 100.
Les 14 benchmarks sont regroupés en 7 catégories. Dans chacune, la moyenne est pondérée : les épreuves les plus discriminantes (HLE, FrontierMath Tier 4, FrontierSWE, GDPval) pèsent 1,5×, ARC-AGI-3 1,25×, les tests saturés (GPQA) 0,5×, les autres 1×.
Moyenne pondérée des catégories pour lesquelles le modèle a des résultats. Profil par défaut : Raisonnement, Maths, Code, Agents ×1 ; Connaissances ×0,75 ; Contexte long et Multimodal ×0,5.
Un modèle qui ne publie que ses meilleurs résultats ne doit pas gagner. Les points finaux valent score × (0,75 + 0,25 × couverture) × 10, soit 1000 points au maximum.