Benchmark

AA-Omniscience Accuracy

Knowledge

Categories
intelligence-index, knowledge
Openness
unknown
Source
artificial_analysis
Reported scores
489

Reported scores

artificial_analysis

ModelOrganizationReported valueReportedEvidence
A.X-K2SK Telecom0.186166666666666672026-08-12evidence
Agnes 2.5 Pro AlphaSapiens AI0.33483333333333332026-07-24evidence
Apertus 70B InstructSwiss AI Initiative0.116333333333333332025-09-02evidence
Apertus 8B InstructSwiss AI Initiative0.09652025-09-02evidence
Apriel-v1.5-15B-ThinkerServiceNow0.16452025-09-30evidence
Apriel-v1.6-15B-ThinkerServiceNow0.169666666666666662025-11-25evidence
Celeris-1Celeris0.109833333333333342026-07-24evidence
Claude 3 HaikuAnthropic0.176333333333333342024-03-04evidence
Claude 3.5 HaikuAnthropic0.1322024-10-22evidence
Claude 3.7 Sonnet (Non-reasoning)Anthropic0.2822025-02-24evidence
Claude 3.7 Sonnet (Reasoning)Anthropic0.28033333333333332025-02-24evidence
Claude 4 Sonnet (Non-reasoning)Anthropic0.226666666666666662025-05-22evidence
Claude 4 Sonnet (Reasoning)Anthropic0.226833333333333332025-05-22evidence
Claude 4.5 Haiku (Non-reasoning)Anthropic0.144333333333333342025-10-15evidence
Claude 4.5 Haiku (Reasoning)Anthropic0.180166666666666672025-10-15evidence
Claude 4.5 Sonnet (Non-reasoning)Anthropic0.28383333333333332025-09-29evidence
Claude 4.5 Sonnet (Reasoning)Anthropic0.328666666666666662025-09-29evidence
Claude Fable 5 (Adaptive Reasoning, Max Effort, Opus 4.8 Fallback)Anthropic0.65352026-06-09evidence
Claude Opus 4.5 (Non-reasoning)Anthropic0.40916666666666672025-11-24evidence
Claude Opus 4.5 (Reasoning)Anthropic0.46583333333333332025-11-24evidence
Claude Opus 4.6 (Adaptive Reasoning, Max Effort)Anthropic0.46983333333333332026-02-05evidence
Claude Opus 4.6 (Non-reasoning, High Effort)Anthropic0.45783333333333332026-02-05evidence
Claude Opus 4.7 (Adaptive Reasoning, Max Effort)Anthropic0.488833333333333342026-04-16evidence
Claude Opus 4.7 (Non-reasoning, High Effort)Anthropic0.447333333333333362026-04-16evidence
Claude Opus 4.8 (Adaptive Reasoning, Max Effort)Anthropic0.488333333333333342026-05-28evidence
Claude Opus 5 (Adaptive Reasoning, High Effort)Anthropic0.58883333333333332026-07-24evidence
Claude Opus 5 (Adaptive Reasoning, Low Effort)Anthropic0.55952026-07-24evidence
Claude Opus 5 (Adaptive Reasoning, Max Effort)Anthropic0.60866666666666672026-07-24evidence
Claude Opus 5 (Adaptive Reasoning, Medium Effort)Anthropic0.57066666666666672026-07-24evidence
Claude Opus 5 (Adaptive Reasoning, Xhigh Effort)Anthropic0.5952026-07-24evidence
Claude Sonnet 4.6 (Adaptive Reasoning, Max Effort)Anthropic0.40866666666666672026-02-17evidence
Claude Sonnet 4.6 (Non-reasoning, High Effort)Anthropic0.38552026-02-17evidence
Claude Sonnet 4.6 (Non-reasoning, Low Effort)Anthropic0.365166666666666642026-02-17evidence
Claude Sonnet 5 (Adaptive Reasoning, Max Effort)Anthropic0.40052026-06-30evidence
Claude Sonnet 5 (Non-reasoning, High Effort)Anthropic0.3382026-06-30evidence
Cogito v2.1 (Reasoning)Deep Cogito0.301833333333333342025-11-18evidence
Command ACohere0.163833333333333332025-03-13evidence
Command A+Cohere0.088833333333333332026-05-20evidence
DeepSeek R1 (Jan '25)DeepSeek0.305166666666666642025-01-20evidence
DeepSeek R1 0528 (May '25)DeepSeek0.305333333333333352025-05-28evidence
DeepSeek R1 0528 Qwen3 8BDeepSeek0.1222025-05-29evidence
DeepSeek R1 Distill Llama 70BDeepSeek0.191666666666666682025-01-20evidence
DeepSeek V3 (Dec '24)DeepSeek0.25452024-12-26evidence
DeepSeek V3 0324DeepSeek0.243166666666666672025-03-25evidence
DeepSeek V3.1 (Non-reasoning)DeepSeek0.231333333333333342025-08-21evidence
DeepSeek V3.1 (Reasoning)DeepSeek0.292025-08-21evidence
DeepSeek V3.1 Terminus (Non-reasoning)DeepSeek0.235166666666666662025-09-22evidence
DeepSeek V3.1 Terminus (Reasoning)DeepSeek0.2772025-09-22evidence
DeepSeek V3.2 (Non-reasoning)DeepSeek0.242025-12-01evidence
DeepSeek V3.2 (Reasoning)DeepSeek0.329666666666666662025-12-01evidence
DeepSeek V3.2 Exp (Non-reasoning)DeepSeek0.228333333333333332025-09-29evidence
DeepSeek V3.2 Exp (Reasoning)DeepSeek0.27552025-09-29evidence
DeepSeek V3.2 SpecialeDeepSeek0.377666666666666652025-12-01evidence
DeepSeek V4 Flash (Non-reasoning)DeepSeek0.262026-04-24evidence
DeepSeek V4 Flash (Reasoning, High Effort)DeepSeek0.34866666666666672026-04-24evidence
DeepSeek V4 Flash (Reasoning, Max Effort)DeepSeek0.368166666666666642026-04-24evidence
DeepSeek V4 Flash 0731 (Reasoning, Max Effort)DeepSeek0.40383333333333332026-07-31evidence
DeepSeek V4 Flash Vision (Reasoning, Max Effort)DeepSeek0.385666666666666662026-08-21evidence
DeepSeek V4 Pro (Non-reasoning)DeepSeek0.308666666666666642026-04-24evidence
DeepSeek V4 Pro (Reasoning, High Effort)DeepSeek0.4142026-04-24evidence
DeepSeek V4 Pro (Reasoning, Max Effort)DeepSeek0.42952026-04-24evidence
DeepSeek V4 Pro 0813 (Reasoning, Max Effort)DeepSeek0.4912026-08-13evidence
Devstral 2Mistral0.208166666666666672025-12-09evidence
Devstral MediumMistral0.188833333333333332025-07-10evidence
Devstral Small (Jul '25)Mistral0.147333333333333342025-07-10evidence
Devstral Small (May '25)Mistral0.158666666666666682025-05-21evidence
Devstral Small 2Mistral0.1582025-12-09evidence
DiffusionGemma 26B A4BGoogle0.165833333333333332026-06-10evidence
Doubao Seed CodeByteDance Seed0.248833333333333322025-11-11evidence
ERNIE 4.5 300B A47BBaidu0.19052025-06-30evidence
ERNIE 5.0 Thinking PreviewBaidu0.221333333333333332025-11-13evidence
Exaone 4.0 1.2B (Non-reasoning)LG AI Research0.052025-07-15evidence
Exaone 4.0 1.2B (Reasoning)LG AI Research0.068333333333333332025-07-15evidence
EXAONE 4.0 32B (Non-reasoning)LG AI Research0.106166666666666672025-07-15evidence
EXAONE 4.0 32B (Reasoning)LG AI Research0.138666666666666662025-07-15evidence
EXAONE 4.5 33BLG AI Research0.162333333333333332026-04-09evidence
Falcon-H1R-7BTII UAE0.14552026-01-04evidence
G9v3-39A5BAI9Stars0.148666666666666672026-08-20evidence
G9v3-3BAI9Stars0.065333333333333332026-07-23evidence
Gemini 2.0 Flash (Feb '25)Google0.234666666666666662025-02-05evidence
Gemini 2.5 Flash (Non-reasoning)Google0.26133333333333332025-05-20evidence
Gemini 2.5 Flash (Reasoning)Google0.25952025-05-20evidence
Gemini 2.5 Flash Preview (Sep '25) (Non-reasoning)Google0.26833333333333332025-09-25evidence
Gemini 2.5 Flash Preview (Sep '25) (Reasoning)Google0.28333333333333332025-09-25evidence
Gemini 2.5 Flash-Lite (Non-reasoning)Google0.154333333333333322025-06-17evidence
Gemini 2.5 Flash-Lite (Reasoning)Google0.1792025-06-17evidence
Gemini 2.5 Flash-Lite Preview (Sep '25) (Non-reasoning)Google0.14152025-09-25evidence
Gemini 2.5 Flash-Lite Preview (Sep '25) (Reasoning)Google0.179833333333333352025-09-08evidence
Gemini 2.5 ProGoogle0.39052025-06-05evidence
Gemini 3 Flash Preview (Non-reasoning)Google0.45783333333333332025-12-17evidence
Gemini 3 Flash Preview (Reasoning)Google0.53433333333333332025-12-17evidence
Gemini 3 Pro Preview (high)Google0.55752025-11-18evidence
Gemini 3 Pro Preview (low)Google0.48316666666666672025-11-18evidence
Gemini 3.1 Flash-LiteGoogle0.36266666666666672026-03-03evidence
Gemini 3.1 Pro PreviewGoogle0.54852026-02-19evidence
Gemini 3.5 Flash (high)Google0.5142026-05-19evidence
Gemini 3.5 Flash (medium)Google0.51052026-05-19evidence
Gemini 3.5 Flash (minimal)Google0.430166666666666642026-05-19evidence
Gemini 3.5 Flash-LiteGoogle0.29466666666666672026-07-21evidence
Gemini 3.6 Flash (high)Google0.499666666666666652026-07-21evidence
Gemini 3.7 Flash (high)Google0.55316666666666672026-08-13evidence
Gemini 3.7 Flash (low)Google0.53566666666666662026-08-13evidence
Gemini 3.7 Flash (medium)Google0.542026-08-13evidence
Gemma 3 12B InstructGoogle0.1032025-03-12evidence
Gemma 3 1B InstructGoogle0.03752025-03-13evidence
Gemma 3 270MGoogle0.0088333333333333342025-08-14evidence
Gemma 3 27B InstructGoogle0.12952025-03-12evidence
Gemma 3 4B InstructGoogle0.077333333333333342025-03-12evidence
Gemma 3n E2B InstructGoogle0.068333333333333332025-06-26evidence
Gemma 3n E4B InstructGoogle0.079833333333333342025-06-26evidence
Gemma 4 12B (Non-reasoning)Google0.118833333333333332026-06-03evidence
Gemma 4 12B (Reasoning)Google0.156166666666666682026-06-03evidence
Gemma 4 26B A4B (Non-reasoning)Google0.154833333333333322026-04-02evidence
Gemma 4 26B A4B (Reasoning)Google0.1912026-04-02evidence
Gemma 4 31B (Non-reasoning)Google0.166333333333333332026-04-02evidence
Gemma 4 31B (Reasoning)Google0.200333333333333342026-04-02evidence
Gemma 4 E2B (Non-reasoning)Google0.08152026-04-02evidence
Gemma 4 E2B (Reasoning)Google0.066333333333333332026-04-02evidence
Gemma 4 E4B (Non-reasoning)Google0.083166666666666672026-04-03evidence
Gemma 4 E4B (Reasoning)Google0.085833333333333332026-04-03evidence
GLM 5V Turbo (Reasoning)Z.ai0.293333333333333332026-04-01evidence
GLM-4.5 (Reasoning)Z.ai0.251333333333333352025-07-28evidence
GLM-4.5-AirZ.ai0.16252025-07-28evidence
GLM-4.5V (Non-reasoning)Z.ai0.182166666666666672025-08-11evidence
GLM-4.5V (Reasoning)Z.ai0.208333333333333342025-08-11evidence
GLM-4.6 (Non-reasoning)Z.ai0.214166666666666672025-09-30evidence
GLM-4.6 (Reasoning)Z.ai0.26883333333333332025-09-30evidence
GLM-4.6V (Non-reasoning)Z.ai0.1742025-12-08evidence
GLM-4.6V (Reasoning)Z.ai0.161833333333333332025-12-08evidence
GLM-4.7 (Non-reasoning)Z.ai0.236333333333333342025-12-22evidence
GLM-4.7 (Reasoning)Z.ai0.29316666666666672025-12-22evidence
GLM-4.7-Flash (Non-reasoning)Z.ai0.13052026-01-19evidence
GLM-4.7-Flash (Reasoning)Z.ai0.16152026-01-19evidence
GLM-5 (Non-reasoning)Z.ai0.23052026-02-11evidence
GLM-5 (Reasoning)Z.ai0.2632026-02-11evidence
GLM-5-TurboZ.ai0.28452026-03-15evidence
GLM-5.1 (Non-reasoning)Z.ai0.251833333333333352026-04-07evidence
GLM-5.1 (Reasoning)Z.ai0.2372026-04-07evidence
GLM-5.2 (max)Z.ai0.243333333333333352026-06-16evidence
GLM-5.2 (Non-reasoning)Z.ai0.202833333333333342026-06-16evidence
GLM-5.3 (max)Z.ai0.33852026-08-18evidence
GPT-4OpenAI0.212023-03-14evidence
GPT-4.1OpenAI0.27766666666666672025-04-14evidence
GPT-4.1 miniOpenAI0.203166666666666662025-04-14evidence
GPT-4.1 nanoOpenAI0.136833333333333332025-04-14evidence
GPT-4o (Aug '24)OpenAI0.2372024-08-06evidence
GPT-4o (Nov '24)OpenAI0.198666666666666662024-11-20evidence
GPT-5 (high)OpenAI0.40316666666666672025-08-07evidence
GPT-5 (low)OpenAI0.381166666666666652025-08-07evidence
GPT-5 (medium)OpenAI0.39483333333333332025-08-07evidence
GPT-5 (minimal)OpenAI0.296333333333333342025-08-07evidence
GPT-5 Codex (high)OpenAI0.3872025-09-23evidence
GPT-5 mini (high)OpenAI0.249666666666666682025-08-07evidence
GPT-5 mini (medium)OpenAI0.230666666666666662025-08-07evidence
GPT-5 mini (minimal)OpenAI0.191666666666666682025-08-07evidence
GPT-5 nano (high)OpenAI0.190833333333333332025-08-07evidence
GPT-5 nano (medium)OpenAI0.175833333333333342025-08-07evidence
GPT-5 nano (minimal)OpenAI0.130833333333333332025-08-07evidence
GPT-5.1 (high)OpenAI0.377166666666666652025-11-13evidence
GPT-5.1 (Non-reasoning)OpenAI0.29466666666666672025-11-13evidence
GPT-5.1 Codex (high)OpenAI0.3992025-11-13evidence
GPT-5.1 Codex mini (high)OpenAI0.2322025-11-13evidence
GPT-5.2 (medium)OpenAI0.382833333333333362025-12-11evidence
GPT-5.2 (Non-reasoning)OpenAI0.30852025-12-11evidence
GPT-5.2 (xhigh)OpenAI0.443166666666666652025-12-11evidence
GPT-5.2 Codex (xhigh)OpenAI0.41066666666666672025-12-11evidence
GPT-5.3 Codex (xhigh)OpenAI0.52883333333333342026-02-05evidence
GPT-5.4 (low)OpenAI0.47852026-03-05evidence
GPT-5.4 (Non-reasoning)OpenAI0.373833333333333352026-03-05evidence
GPT-5.4 (xhigh)OpenAI0.50852026-03-05evidence
GPT-5.4 mini (medium)OpenAI0.364666666666666642026-03-17evidence
GPT-5.4 mini (Non-Reasoning)OpenAI0.25652026-03-17evidence
GPT-5.4 mini (xhigh)OpenAI0.374666666666666652026-03-17evidence
GPT-5.4 nano (medium)OpenAI0.2192026-03-17evidence
GPT-5.4 nano (Non-Reasoning)OpenAI0.148833333333333352026-03-17evidence
GPT-5.4 nano (xhigh)OpenAI0.256666666666666652026-03-17evidence
GPT-5.5 (high)OpenAI0.57033333333333342026-04-23evidence
GPT-5.5 (low)OpenAI0.54852026-04-23evidence
GPT-5.5 (medium)OpenAI0.5682026-04-23evidence
GPT-5.5 (Non-reasoning)OpenAI0.45633333333333332026-04-23evidence
GPT-5.5 (xhigh)OpenAI0.57952026-04-23evidence
GPT-5.5 Instant (June 2026)OpenAI0.444166666666666652026-06-25evidence
GPT-5.5 Instant (May 2026)OpenAI0.46252026-05-05evidence
GPT-5.6 Luna (high)OpenAI0.417833333333333332026-07-09evidence
GPT-5.6 Luna (low)OpenAI0.396166666666666672026-07-09evidence
GPT-5.6 Luna (max)OpenAI0.427333333333333342026-07-09evidence
GPT-5.6 Luna (medium)OpenAI0.4072026-07-09evidence
GPT-5.6 Luna (Non-reasoning)OpenAI0.2862026-07-09evidence
GPT-5.6 Luna (xhigh)OpenAI0.42452026-07-09evidence
GPT-5.6 Sol (high)OpenAI0.58352026-07-09evidence
GPT-5.6 Sol (low)OpenAI0.57166666666666672026-07-09evidence
GPT-5.6 Sol (max)OpenAI0.5942026-07-09evidence
GPT-5.6 Sol (medium)OpenAI0.57752026-07-09evidence
GPT-5.6 Sol (Non-reasoning)OpenAI0.4872026-07-09evidence
GPT-5.6 Sol (xhigh)OpenAI0.58816666666666662026-07-09evidence
GPT-5.6 Terra (high)OpenAI0.45483333333333332026-07-09evidence
GPT-5.6 Terra (low)OpenAI0.437333333333333352026-07-09evidence
GPT-5.6 Terra (max)OpenAI0.4682026-07-09evidence
GPT-5.6 Terra (medium)OpenAI0.4462026-07-09evidence
GPT-5.6 Terra (Non-reasoning)OpenAI0.368166666666666642026-07-09evidence
GPT-5.6 Terra (xhigh)OpenAI0.455166666666666662026-07-09evidence
gpt-oss-120b (high)OpenAI0.217833333333333322025-08-05evidence
gpt-oss-120b (low)OpenAI0.1982025-08-05evidence
gpt-oss-20b (high)OpenAI0.162025-08-05evidence
gpt-oss-20b (low)OpenAI0.150833333333333352025-08-05evidence
Granite 3.3 8B (Non-reasoning)IBM0.09652025-04-16evidence
Granite 4.0 1BIBM0.06152025-10-28evidence
Granite 4.0 350MIBM0.03852025-10-28evidence
Granite 4.0 H 1BIBM0.0522025-10-28evidence
Granite 4.0 H 350MIBM0.0382025-10-28evidence
Granite 4.0 H SmallIBM0.142833333333333342025-09-22evidence
Granite 4.0 MicroIBM0.093166666666666662025-09-22evidence
Granite 4.1 30BIBM0.13952026-04-29evidence
Granite 4.1 3BIBM0.09252026-04-29evidence
Granite 4.1 8BIBM0.1232026-04-29evidence
Grok 3xAI0.2892025-02-19evidence
Grok 3 mini Reasoning (high)xAI0.151166666666666672025-02-19evidence
Grok 4xAI0.40483333333333332025-07-10evidence
Grok 4 Fast (Non-reasoning)xAI0.1772025-09-19evidence
Grok 4 Fast (Reasoning)xAI0.227833333333333332025-09-19evidence
Grok 4.1 Fast (Non-reasoning)xAI0.172333333333333342025-11-19evidence
Grok 4.1 Fast (Reasoning)xAI0.250833333333333352025-11-19evidence
Grok 4.20 0309 (Non-reasoning)xAI0.26052026-03-10evidence
Grok 4.20 0309 (Reasoning)xAI0.288833333333333332026-03-10evidence
Grok 4.20 0309 v2 (Non-reasoning)xAI0.26683333333333332026-04-07evidence
Grok 4.20 0309 v2 (Reasoning)xAI0.27483333333333332026-04-07evidence
Grok 4.3 (high)xAI0.34783333333333332026-04-30evidence
Grok 4.3 (low)xAI0.26683333333333332026-04-30evidence
Grok 4.3 (medium)xAI0.28766666666666672026-04-30evidence
Grok 4.3 (Non-reasoning)xAI0.237166666666666662026-04-30evidence
Grok 4.5 (high)xAI0.51552026-07-08evidence
Grok 4.6 (high)xAI0.482333333333333342026-08-12evidence
Grok 4.6 (low)xAI0.432833333333333352026-08-12evidence
Grok 4.6 (medium)xAI0.419333333333333342026-08-12evidence
Grok 4.6 (xhigh)xAI0.432026-08-12evidence
Grok Build 0.1 0616xAI0.51516666666666672026-06-16evidence
Grok Code Fast 1xAI0.23552025-08-28evidence
Hermes 4 - Llama-3.1 405B (Non-reasoning)Nous Research0.26052025-08-27evidence
Hermes 4 - Llama-3.1 405B (Reasoning)Nous Research0.300833333333333342025-08-27evidence
Hermes 4 - Llama-3.1 70B (Non-reasoning)Nous Research0.186666666666666682025-08-27evidence
Hermes 4 - Llama-3.1 70B (Reasoning)Nous Research0.23552025-08-27evidence
Hy3Tencent0.319666666666666652026-07-06evidence
Hy3-preview (Non-reasoning)Tencent0.231833333333333342026-04-23evidence
Hy3-preview (Reasoning)Tencent0.27933333333333332026-04-23evidence
HyperCLOVA X SEED Think (32B)Naver0.1542025-12-26evidence
HyperNova 60B 2605Multiverse Computing0.152166666666666672026-05-26evidence
Inkling (xhigh)Thinking Machines0.41552026-07-15evidence
Inkling SmallThinking Machines0.331666666666666672026-07-30evidence
INTELLECT-3Prime Intellect0.195833333333333332025-11-27evidence
Jamba 1.7 LargeAI21 Labs0.205833333333333342025-07-07evidence
Jamba 1.7 MiniAI21 Labs0.112666666666666662025-07-07evidence
Jamba Reasoning 3BAI21 Labs0.0672025-10-08evidence
JT-35B-FlashChina Mobile0.241833333333333342026-05-14evidence
JT-4.1 Flash 236B A21BChina Mobile0.242833333333333352026-07-09evidence
JT-MINIChina Mobile0.142166666666666662026-04-15evidence
K-EXAONE (Non-reasoning)LG AI Research0.13652025-12-31evidence
K-EXAONE (Reasoning)LG AI Research0.16352025-12-31evidence
K-EXAONE 2.0 0803LG AI Research0.13052026-08-12evidence
K2 Think V2MBZUAI Institute of Foundation Models0.180166666666666672025-12-15evidence
K2-V2 (high)MBZUAI Institute of Foundation Models0.185333333333333322025-12-05evidence
K2-V2 (low)MBZUAI Institute of Foundation Models0.163333333333333332025-12-05evidence
K2-V2 (medium)MBZUAI Institute of Foundation Models0.179333333333333342025-12-05evidence
KAT Coder Pro V2KwaiKAT0.214833333333333322026-03-27evidence
KAT-Coder-Pro V1KwaiKAT0.1772025-11-11evidence
Kimi K2Moonshot AI0.27352025-07-11evidence
Kimi K2 0905Moonshot AI0.254166666666666652025-09-05evidence
Kimi K2 ThinkingMoonshot AI0.308666666666666642025-11-06evidence
Kimi K2.5 (Non-reasoning)Moonshot AI0.241333333333333342026-01-27evidence
Kimi K2.5 (Reasoning)Moonshot AI0.35216666666666672026-01-27evidence
Kimi K2.6Moonshot AI0.3262026-04-20evidence
Kimi K2.6 (Non-reasoning)Moonshot AI0.2432026-04-20evidence
Kimi K2.7 CodeMoonshot AI0.395666666666666672026-06-12evidence
Kimi K3 (low)Moonshot AI0.45752026-07-16evidence
Kimi K3 (max)Moonshot AI0.475833333333333332026-07-16evidence
LFM2 1.2BLiquid AI0.049333333333333332025-07-10evidence
LFM2 2.6BLiquid AI0.054166666666666672025-09-23evidence
LFM2 24B A2BLiquid AI0.064666666666666662026-02-25evidence
LFM2 8B A1BLiquid AI0.082166666666666672025-10-07evidence
LFM2.5-1.2B-InstructLiquid AI0.070166666666666672026-01-05evidence
LFM2.5-1.2B-ThinkingLiquid AI0.074166666666666672026-01-20evidence
LFM2.5-2.6BLiquid AI0.04352026-08-04evidence
LFM2.5-8B-A1BLiquid AI0.093333333333333342026-05-28evidence
LFM2.5-VL-1.6BLiquid AI0.0578333333333333342026-01-05evidence
Ling 2.6 FlashInclusionAI0.15552026-04-21evidence
Ling 3.0 FlashInclusionAI0.181666666666666672026-08-04evidence
Ling 3.0 TinyInclusionAI0.085166666666666672026-08-06evidence
Ling-1TInclusionAI0.203333333333333342025-10-08evidence
Ling-2.6-1TInclusionAI0.2192026-04-23evidence
Ling-flash-2.0InclusionAI0.141333333333333342025-09-17evidence
Ling-mini-2.0InclusionAI0.088833333333333332025-09-09evidence
Llama 3 Instruct 70BMeta0.177166666666666672024-04-18evidence
Llama 3 Instruct 8BMeta0.103666666666666672024-04-18evidence
Llama 3.1 Instruct 405BMeta0.231833333333333342024-07-23evidence
Llama 3.1 Instruct 70BMeta0.1972024-07-23evidence
Llama 3.1 Instruct 8BMeta0.0852024-07-23evidence
Llama 3.1 Nemotron Instruct 70BNVIDIA0.177666666666666672024-10-15evidence
Llama 3.1 Nemotron Ultra 253B v1 (Reasoning)NVIDIA0.200666666666666662025-04-07evidence
Llama 3.2 Instruct 11B (Vision)Meta0.1062024-09-25evidence
Llama 3.2 Instruct 1BMeta0.072024-09-25evidence
Llama 3.3 Instruct 70BMeta0.18952024-12-06evidence
Llama 3.3 Nemotron Super 49B v1 (Non-reasoning)NVIDIA0.134666666666666662025-03-18evidence
Llama 3.3 Nemotron Super 49B v1 (Reasoning)NVIDIA0.1712025-03-18evidence
Llama 4 MaverickMeta0.2492025-04-05evidence
Llama 4 ScoutMeta0.151666666666666672025-04-05evidence
Llama Nemotron Super 49B v1.5 (Non-reasoning)NVIDIA0.1262025-07-25evidence
Llama Nemotron Super 49B v1.5 (Reasoning)NVIDIA0.171666666666666662025-07-25evidence
LongCat 2.0LongCat0.296333333333333342026-06-29evidence
LongCat Flash LiteLongCat0.1332026-01-28evidence
Magistral Medium 1Mistral0.203333333333333342025-06-10evidence
Magistral Medium 1.2Mistral0.207833333333333342025-09-18evidence
Magistral Small 1Mistral0.180166666666666672025-06-10evidence
Magistral Small 1.2Mistral0.13452025-09-17evidence
Mercury 2Inception0.211833333333333352026-02-20evidence
Mi:dm K 2.5 ProKorea Telecom0.178833333333333342025-12-11evidence
Mi:dm K 2.5 Pro PreviewKorea Telecom0.164166666666666662025-12-11evidence
MiMo-V2-Flash (Feb 2026)Xiaomi0.197833333333333332025-12-16evidence
MiMo-V2-Flash (Non-reasoning)Xiaomi0.156333333333333322025-12-16evidence
MiMo-V2-Flash (Reasoning)Xiaomi0.248333333333333322025-12-16evidence
MiMo-V2-OmniXiaomi0.1932026-03-19evidence
MiMo-V2-Omni-0327Xiaomi0.178166666666666672026-03-27evidence
MiMo-V2-ProXiaomi0.266166666666666662026-03-18evidence
MiMo-V2.5Xiaomi0.16752026-04-22evidence
MiMo-V2.5-ProXiaomi0.224166666666666652026-04-22evidence
MiMo-V2.5-Pro (Non-reasoning)Xiaomi0.27183333333333332026-04-22evidence
MiniCPM-V 4.6 1.3BOpenBMB0.067333333333333332026-05-11evidence
MiniCPM5-1B (Non-reasoning)OpenBMB0.0012026-05-25evidence
MiniCPM5-1B (Reasoning)OpenBMB0.020333333333333332026-05-25evidence
MiniMax M1 80kMiniMax0.224666666666666652025-06-17evidence
MiniMax-M2MiniMax0.232333333333333342025-10-26evidence
MiniMax-M2.1MiniMax0.211666666666666672025-12-23evidence
MiniMax-M2.5MiniMax0.26183333333333332026-02-12evidence
MiniMax-M2.7MiniMax0.2682026-03-18evidence
MiniMax-M3MiniMax0.1672026-06-01evidence
Ministral 3 14BMistral0.135833333333333332025-12-02evidence
Ministral 3 3BMistral0.089833333333333332025-12-02evidence
Ministral 3 8BMistral0.129833333333333332025-12-02evidence
Mistral 7B InstructMistral0.090166666666666672023-09-27evidence
Mistral Large 2 (Nov '24)Mistral0.198666666666666662024-11-18evidence
Mistral Large 3Mistral0.24952025-12-02evidence
Mistral Medium 3Mistral0.183333333333333322025-05-07evidence
Mistral Medium 3.1Mistral0.20752025-08-12evidence
Mistral Medium 3.5Mistral0.246666666666666672026-04-29evidence
Mistral Small 3.1Mistral0.1512025-03-17evidence
Mistral Small 3.2Mistral0.148333333333333342025-06-20evidence
Mistral Small 4 (Non-reasoning)Mistral0.165666666666666662026-03-16evidence
Mistral Small 4 (Reasoning)Mistral0.216833333333333322026-03-16evidence
Molmo2-8BAllen Institute for AI0.11452025-12-11evidence
Motif 3Motif Technologies0.30066666666666672026-08-12evidence
Motif 3 (Beta)Motif Technologies0.210166666666666672026-07-14evidence
Motif-2-12.7B-ReasoningMotif Technologies0.151666666666666672025-12-04evidence
Muse Glimmer (high)Meta0.26983333333333332026-08-10evidence
Muse SparkMeta0.4962026-04-08evidence
Muse Spark 1.1 (xhigh)Meta0.52052026-07-09evidence
Muse Spark 1.2 (xhigh)Meta0.45383333333333332026-08-05evidence
Nanbeige4.1-3BNanbeige0.098666666666666672026-02-11evidence
Nemotron 3 Nano Omni 30B A3B ReasoningNVIDIA0.1522026-04-29evidence
Nemotron 3 Super 120B A12B (Reasoning)NVIDIA0.243166666666666672026-03-11evidence
Nemotron 3 Ultra 550B A55B (Reasoning)NVIDIA0.225833333333333332026-06-04evidence
Nemotron 3.5 LightningNVIDIA0.144333333333333342026-08-11evidence
Nemotron Cascade 2 30B A3BNVIDIA0.182833333333333322026-03-19evidence
Nex-N2-ProNex AGI0.34816666666666672026-06-02evidence
North Mini CodeCohere0.1892026-06-09evidence
Nova 2.0 Lite (high)Amazon0.190333333333333332025-10-29evidence
Nova 2.0 Lite (low)Amazon0.17652025-10-29evidence
Nova 2.0 Lite (medium)Amazon0.181666666666666672025-10-29evidence
Nova 2.0 Lite (Non-reasoning)Amazon0.140166666666666662025-10-29evidence
Nova 2.0 Omni (low)Amazon0.186166666666666672025-11-26evidence
Nova 2.0 Omni (medium)Amazon0.1772025-11-26evidence
Nova 2.0 Omni (Non-reasoning)Amazon0.132333333333333332025-11-26evidence
Nova 2.0 Pro Preview (low)Amazon0.1712025-11-27evidence
Nova 2.0 Pro Preview (medium)Amazon0.219666666666666682025-11-27evidence
Nova 2.0 Pro Preview (Non-reasoning)Amazon0.169166666666666662025-11-27evidence
Nova LiteAmazon0.0982024-12-03evidence
Nova MicroAmazon0.100333333333333332024-12-03evidence
Nova PremierAmazon0.21252025-04-30evidence
Nova ProAmazon0.168666666666666662024-12-03evidence
NVIDIA Nemotron 3 Nano 30B A3B (Non-reasoning)NVIDIA0.113666666666666672025-12-15evidence
NVIDIA Nemotron 3 Nano 30B A3B (Reasoning)NVIDIA0.1732025-12-15evidence
NVIDIA Nemotron 3 Nano 4BNVIDIA0.095666666666666662026-03-16evidence
NVIDIA Nemotron Nano 12B v2 VL (Non-reasoning)NVIDIA0.119166666666666672025-10-28evidence
NVIDIA Nemotron Nano 12B v2 VL (Reasoning)NVIDIA0.146166666666666672025-10-28evidence
NVIDIA Nemotron Nano 9B V2 (Non-reasoning)NVIDIA0.098166666666666672025-08-18evidence
NVIDIA Nemotron Nano 9B V2 (Reasoning)NVIDIA0.1182025-08-18evidence
o1OpenAI0.34533333333333332024-12-05evidence
o3OpenAI0.385666666666666662025-04-16evidence
o3-mini (high)OpenAI0.212666666666666672025-01-31evidence
o4-mini (high)OpenAI0.2482025-04-16evidence
Olmo 3 32B ThinkAllen Institute for AI0.148666666666666672025-11-20evidence
Olmo 3 7B InstructAllen Institute for AI0.0742025-11-20evidence
Olmo 3 7B ThinkAllen Institute for AI0.110833333333333342025-11-20evidence
Olmo 3.1 32B InstructAllen Institute for AI0.12052026-01-13evidence
Olmo 3.1 32B ThinkAllen Institute for AI0.137833333333333342025-12-12evidence
Phi-4Microsoft0.140666666666666662024-12-12evidence
Phi-4 Mini InstructMicrosoft0.0952024-02-26evidence
Qwen2.5 Instruct 72BQwen0.174666666666666662024-09-19evidence
Qwen3 0.6B (Non-reasoning)Qwen0.045833333333333332025-04-28evidence
Qwen3 0.6B (Reasoning)Qwen0.063333333333333342025-04-28evidence
Qwen3 1.7B (Non-reasoning)Qwen0.069166666666666672025-04-28evidence
Qwen3 1.7B (Reasoning)Qwen0.088666666666666672025-04-28evidence
Qwen3 14B (Non-reasoning)Qwen0.133333333333333332025-04-28evidence
Qwen3 14B (Reasoning)Qwen0.152833333333333322025-04-28evidence
Qwen3 235B A22B (Non-reasoning)Qwen0.185666666666666672025-04-28evidence
Qwen3 235B A22B (Reasoning)Qwen0.185333333333333322025-04-28evidence
Qwen3 235B A22B 2507 (Reasoning)Qwen0.228166666666666662025-07-25evidence
Qwen3 235B A22B 2507 InstructQwen0.187333333333333322025-07-21evidence
Qwen3 30B A3B (Non-reasoning)Qwen0.119666666666666672025-04-28evidence
Qwen3 30B A3B (Reasoning)Qwen0.161833333333333332025-04-28evidence
Qwen3 30B A3B 2507 (Reasoning)Qwen0.1632025-07-30evidence
Qwen3 30B A3B 2507 InstructQwen0.149666666666666672025-07-29evidence
Qwen3 32B (Reasoning)Qwen0.174333333333333342025-04-28evidence
Qwen3 4B 2507 (Reasoning)Qwen0.125333333333333322025-08-06evidence
Qwen3 4B 2507 InstructQwen0.1092025-08-06evidence
Qwen3 8B (Non-reasoning)Qwen0.110833333333333342025-04-28evidence
Qwen3 8B (Reasoning)Qwen0.136333333333333332025-04-28evidence
Qwen3 Coder 30B A3B InstructQwen0.1642025-07-31evidence
Qwen3 Coder 480B A35B InstructQwen0.156833333333333322025-07-22evidence
Qwen3 Coder NextQwen0.16152026-02-03evidence
Qwen3 MaxQwen0.244166666666666672025-09-23evidence
Qwen3 Max (Preview)Qwen0.2422025-09-05evidence
Qwen3 Max ThinkingQwen0.29816666666666672026-01-26evidence
Qwen3 Max Thinking (Preview)Qwen0.27352025-11-03evidence
Qwen3 Next 80B A3B (Reasoning)Qwen0.190333333333333332025-09-11evidence
Qwen3 Next 80B A3B InstructQwen0.17252025-09-11evidence
Qwen3 Omni 30B A3B (Reasoning)Qwen0.1462025-09-22evidence
Qwen3 Omni 30B A3B InstructQwen0.143333333333333342025-09-22evidence
Qwen3 VL 235B A22B (Reasoning)Qwen0.20852025-09-23evidence
Qwen3 VL 235B A22B InstructQwen0.2032025-09-23evidence
Qwen3 VL 30B A3B (Reasoning)Qwen0.169333333333333342025-10-03evidence
Qwen3 VL 30B A3B InstructQwen0.156166666666666682025-10-03evidence
Qwen3 VL 32B (Reasoning)Qwen0.169666666666666662025-10-21evidence
Qwen3 VL 32B InstructQwen0.148333333333333342025-10-21evidence
Qwen3 VL 4B (Reasoning)Qwen0.122166666666666672025-10-14evidence
Qwen3 VL 4B InstructQwen0.108666666666666662025-10-14evidence
Qwen3 VL 8B (Reasoning)Qwen0.204333333333333342025-10-14evidence
Qwen3 VL 8B InstructQwen0.204833333333333342025-10-14evidence
Qwen3.5 0.8B (Non-reasoning)Qwen0.0498333333333333342026-03-02evidence
Qwen3.5 0.8B (Reasoning)Qwen0.0423333333333333342026-03-02evidence
Qwen3.5 122B A10B (Non-reasoning)Qwen0.191166666666666682026-02-24evidence
Qwen3.5 122B A10B (Reasoning)Qwen0.243666666666666672026-02-24evidence
Qwen3.5 27B (Non-reasoning)Qwen0.156833333333333322026-02-24evidence
Qwen3.5 27B (Reasoning)Qwen0.206666666666666672026-02-24evidence
Qwen3.5 2B (Non-reasoning)Qwen0.073833333333333332026-03-02evidence
Qwen3.5 2B (Reasoning)Qwen0.080666666666666662026-03-02evidence
Qwen3.5 35B A3B (Non-reasoning)Qwen0.157166666666666682026-02-24evidence
Qwen3.5 35B A3B (Reasoning)Qwen0.201333333333333342026-02-24evidence
Qwen3.5 397B A17B (Non-reasoning)Qwen0.245166666666666672026-02-16evidence
Qwen3.5 397B A17B (Reasoning)Qwen0.3082026-02-16evidence
Qwen3.5 4B (Non-reasoning)Qwen0.112166666666666662026-03-02evidence
Qwen3.5 4B (Reasoning)Qwen0.151166666666666672026-03-02evidence
Qwen3.5 9B (Non-reasoning)Qwen0.139833333333333342026-03-02evidence
Qwen3.5 9B (Reasoning)Qwen0.164166666666666662026-03-02evidence
Qwen3.5 Omni FlashQwen0.14652026-03-30evidence
Qwen3.5 Omni PlusQwen0.174333333333333342026-03-30evidence
Qwen3.6 27B (Non-reasoning)Qwen0.167166666666666662026-04-22evidence
Qwen3.6 27B (Reasoning)Qwen0.1962026-04-22evidence
Qwen3.6 35B A3B (Non-reasoning)Qwen0.167166666666666662026-04-16evidence
Qwen3.6 35B A3B (Reasoning)Qwen0.188166666666666682026-04-16evidence
Qwen3.6 Max PreviewQwen0.378666666666666652026-04-20evidence
Qwen3.6 PlusQwen0.26383333333333332026-04-02evidence
Qwen3.7 MaxQwen0.311333333333333352026-05-19evidence
Qwen3.7 PlusQwen0.225166666666666652026-06-01evidence
Qwen3.8 2.4T A95BQwen0.31252026-08-12evidence
Qwen3.8 27B (low)Qwen0.171333333333333342026-08-14evidence
Qwen3.8 27B (medium)Qwen0.18352026-08-14evidence
Qwen3.8 27B (Non-reasoning)Qwen0.085833333333333332026-08-14evidence
Qwen3.8 27B (xhigh)Qwen0.155833333333333322026-08-14evidence
Qwen3.8 MaxQwen0.31852026-08-03evidence
Reka Flash 3Reka AI0.136666666666666662025-03-10evidence
Ring-1TInclusionAI0.204666666666666662025-10-13evidence
Ring-2.6-1TInclusionAI0.2572026-05-08evidence
Ring-flash-2.0InclusionAI0.16552025-09-19evidence
Sarvam 105B (high)Sarvam0.1762026-03-06evidence
Sarvam 30B (high)Sarvam0.126166666666666682026-03-06evidence
Sarvam M (Reasoning)Sarvam0.152333333333333322025-05-23evidence
Seed-OSS-36B-InstructByteDance Seed0.1822025-08-20evidence
Solar Open 100B (Reasoning)Upstage0.185333333333333322025-12-17evidence
Solar Open2 250BUpstage0.188333333333333322026-08-12evidence
Solar Pro 2 (Non-reasoning)Upstage0.16052025-07-09evidence
Solar Pro 2 (Reasoning)Upstage0.19952025-07-09evidence
Solar Pro 3Upstage0.1852026-04-06evidence
Solar Pro 4Upstage0.189333333333333332026-08-06evidence
Step 3.5 FlashStepFun0.236166666666666662026-02-02evidence
Step 3.5 Flash 2603StepFun0.246166666666666672026-04-02evidence
Step 3.7 FlashStepFun0.257833333333333362026-05-29evidence
Step3 VL 10BStepFun0.132666666666666652026-01-20evidence
Tiny Aya GlobalCohere0.060666666666666672026-02-17evidence
Tri-21B-ThinkTrillion Labs0.123333333333333342026-02-10evidence
Tri-21B-think PreviewTrillion Labs0.1012026-02-10evidence
Trinity Large ThinkingArcee AI0.2252026-04-01evidence

Scores are partitioned by the source that reported them and are never merged into a single cross-source ranking, because the sources measure different things and say so.