Benchmarks on MiniBloghttps://mini.0fe.ru/tags/benchmarks/Recent content in Benchmarks on MiniBlogHugo -- 0.161.0en-usdsha@velosnet.tech (MiniBlog)dsha@velosnet.tech (MiniBlog)Mon, 04 May 2026 11:50:00 +0300Claude Opus 4.7: Anthropic возглавляет SWE-bench Pro с результатом 64.3%https://mini.0fe.ru/posts/claude-opus-4-7-ru/Mon, 04 May 2026 11:50:00 +0300dsha@velosnet.tech (MiniBlog)https://mini.0fe.ru/posts/claude-opus-4-7-ru/Anthropic представила Claude Opus 4.7 — модель, ставшую новым стандартом для сложных задач программирования и агентных рабочих процессов.GPT-5.5 от OpenAI: 82.7% на Terminal-Bench 2.0 и новая эра агентных задачhttps://mini.0fe.ru/posts/gpt-5-5-ru/Mon, 04 May 2026 11:40:00 +0300dsha@velosnet.tech (MiniBlog)https://mini.0fe.ru/posts/gpt-5-5-ru/GPT-5.5 возглавляет Terminal-Bench 2.0 с результатом 82.7%, задавая планку для агентов, работающих в терминале и инструментальных средах.Gemini 3.1 Pro: 1 миллион токенов контекста и 94.3% на GPQA Diamondhttps://mini.0fe.ru/posts/gemini-3-1-pro-ru/Mon, 04 May 2026 11:30:00 +0300dsha@velosnet.tech (MiniBlog)https://mini.0fe.ru/posts/gemini-3-1-pro-ru/Google DeepMind выпустила Gemini 3.1 Pro — модель с миллионным контекстным окном и лидерством в научных бенчмарках.DeepSeek V4 Pro и Flash: открытые веса возглавляют BenchLM при цене $0.14 за миллион токеновhttps://mini.0fe.ru/posts/deepseek-v4-ru/Mon, 04 May 2026 11:20:00 +0300dsha@velosnet.tech (MiniBlog)https://mini.0fe.ru/posts/deepseek-v4-ru/DeepSeek V4 Pro занимает первое место в open-weight рейтинге BenchLM, а DeepSeek V4 Flash устанавливает новый стандарт по соотношению цена/качество.