Бенчмарки моделей
Проверенные результаты публичных тестов моделей из каталога OmniRouter.
216результатов
32модели
78бенчмарков
20источников
24.09.2026актуальность данных
DeepSWE v1.1
22 модели- deepseek/deepseek-v4.1-flashоценка разработчика74,2%
- anthropic/claude-opus-5независимая оценка74%
- openai/gpt-6-astraнезависимая оценка74%
- google/gemini-3.8-flashнезависимая оценка74%
- openai/gpt-5.6-solнезависимая оценка73%
- xiaomi/mimo-v2.6-proоценка разработчика71,9%
- anthropic/claude-fable-5независимая оценка70%
- openai/gpt-5.6-terraнезависимая оценка70%
- moonshotai/kimi-k3оценка разработчика67,5%
- openai/gpt-5.5независимая оценка67%
- x-ai/grok-4.6независимая оценка67%
- openai/gpt-5.6-lunaнезависимая оценка67%
- z-ai/glm-5.3оценка разработчика66,9%
- deepseek/deepseek-v4-pro-0813независимая оценка63%
- z-ai/glm-5.3-flashнезависимая оценка63%
- qwen/qwen3.8-flashоценка разработчика58,7%
- anthropic/claude-opus-4.8независимая оценка58%
- qwen/qwen3.8-2.4t-a95bоценка разработчика56,6%
- anthropic/claude-sonnet-5независимая оценка54%
- deepseek/deepseek-v4-flash-0731независимая оценка53%
- qwen/qwen3.8-27bоценка разработчика42,2%
- anthropic/claude-sonnet-4.6независимая оценка30%
Terminal-Bench 2.1
14 моделей- deepseek/deepseek-v4.1-flashоценка разработчика90,6%
- xiaomi/mimo-v2.6-proоценка разработчика89,9%
- openai/gpt-5.6-solнезависимая оценка88,8%
- moonshotai/kimi-k3оценка разработчика88,3%
- z-ai/glm-5.3оценка разработчика88,2%
- deepseek/deepseek-v4-pro-0813оценка разработчика87,9%
- xiaomi/mimo-v2.6-flashоценка разработчика87,6%
- qwen/qwen3.8-2.4t-a95bоценка разработчика86,6%
- qwen/qwen3.8-max-0902оценка разработчика86,6%
- anthropic/claude-opus-4.8независимая оценка85%
- deepseek/deepseek-v4-flash-0731оценка разработчика82,7%
- z-ai/glm-5.2оценка разработчика81%
- qwen/qwen3.8-27bоценка разработчика73%
- minimax/minimax-m3независимая оценка65%
GPQA Diamond
11 моделей- google/gemini-3.1-pro-previewоценка разработчика94,3%
- openai/gpt-5.6-solнезависимая оценка94,1%
- moonshotai/kimi-k3оценка разработчика93,5%
- minimax/minimax-m3независимая оценка93%
- qwen/qwen3.8-2.4t-a95bоценка разработчика92,6%
- qwen/qwen3.8-flashоценка разработчика91,7%
- z-ai/glm-5.2оценка разработчика91,2%
- deepseek/deepseek-v4.1-flashоценка разработчика90,9%
- qwen/qwen3.8-27bоценка разработчика89,2%
- qwen/qwen3.6-27bоценка разработчика87,8%
- moonshotai/kimi-k2-thinkingоценка разработчика84,5%
NL2Repo-Bench
10 моделей- anthropic/claude-opus-4.8независимая оценка69,7%
- deepseek/deepseek-v4.1-flashоценка разработчика65,4%
- deepseek/deepseek-v4-pro-0813оценка разработчика61,5%
- z-ai/glm-5.3оценка разработчика58%
- qwen/qwen3.8-2.4t-a95bоценка разработчика55,9%
- deepseek/deepseek-v4-flash-0731оценка разработчика54,2%
- z-ai/glm-5.2оценка разработчика48,9%
- qwen/qwen3.8-flashоценка разработчика48,1%
- qwen/qwen3.8-27bоценка разработчика42,3%
- qwen/qwen3.6-27bоценка разработчика36,2%
Toolathlon Verified
9 моделей- xiaomi/mimo-v2.6-proоценка разработчика76,9%
- anthropic/claude-opus-4.8независимая оценка76,2%
- deepseek/deepseek-v4-pro-0813оценка разработчика74,1%
- xiaomi/mimo-v2.6-flashоценка разработчика73,6%
- qwen/qwen3.8-flashоценка разработчика73,5%
- z-ai/glm-5.3оценка разработчика73%
- qwen/qwen3.8-2.4t-a95bоценка разработчика72,5%
- deepseek/deepseek-v4-flash-0731оценка разработчика70,3%
- qwen/qwen3.8-27bоценка разработчика67,1%
CyberGym
7 моделей- xiaomi/mimo-v2.6-proоценка разработчика94%
- deepseek/deepseek-v4.1-flashоценка разработчика88,1%
- z-ai/glm-5.3оценка разработчика84,5%
- deepseek/deepseek-v4-pro-0813оценка разработчика83,3%
- openai/gpt-5.5оценка разработчика81,8%
- anthropic/claude-opus-4.8независимая оценка78,1%
- deepseek/deepseek-v4-flash-0731оценка разработчика76,7%
Humanity's Last Exam
7 моделей- qwen/qwen3.8-2.4t-a95bоценка разработчика43,6%
- z-ai/glm-5.2оценка разработчика40,5%
- minimax/minimax-m3независимая оценка37%
- deepseek/deepseek-v4.1-flashоценка разработчика36,8%
- qwen/qwen3.8-flashоценка разработчика35,9%
- qwen/qwen3.8-27bоценка разработчика30,8%
- qwen/qwen3.6-27bоценка разработчика24%
Humanity's Last Exam (with tools)
7 моделей- deepseek/deepseek-v4.1-flashоценка разработчика63,9%
- z-ai/glm-5.3оценка разработчика62,5%
- deepseek/deepseek-v4-pro-0813оценка разработчика60%
- openai/gpt-5.6-solнезависимая оценка58%
- anthropic/claude-opus-4.8независимая оценка57,9%
- qwen/qwen3.8-2.4t-a95bоценка разработчика56,2%
- z-ai/glm-5.2оценка разработчика54,7%
SWE-bench Pro
7 моделей- qwen/qwen3.8-2.4t-a95bоценка разработчика67,7%
- openai/gpt-5.6-solнезависимая оценка64,6%
- qwen/qwen3.8-flashоценка разработчика62,5%
- z-ai/glm-5.2оценка разработчика62,1%
- qwen/qwen3.8-27bоценка разработчика61,7%
- minimax/minimax-m3независимая оценка59%
- qwen/qwen3.6-27bоценка разработчика53,5%
Agents' Last Exam
5 моделей- deepseek/deepseek-v4.1-flashоценка разработчика31,8%
- xiaomi/mimo-v2.6-proоценка разработчика31,6%
- xiaomi/mimo-v2.6-flashоценка разработчика27,6%
- deepseek/deepseek-v4-pro-0813оценка разработчика25,7%
- deepseek/deepseek-v4-flash-0731оценка разработчика25,2%
AutomationBench v1.0.6
5 моделей- deepseek/deepseek-v4.1-flashоценка разработчика54,8%
- xiaomi/mimo-v2.6-proоценка разработчика53,1%
- xiaomi/mimo-v2.6-flashоценка разработчика52,3%
- z-ai/glm-5.3оценка разработчика48,2%
- anthropic/claude-fable-5.1оценка разработчика31,4%
GDPval-AA v2
4 модели- anthropic/claude-fable-5.1оценка разработчика1 853 Elo
- z-ai/glm-5.3оценка разработчика1 769 Elo
- x-ai/grok-4.6оценка разработчика1 753 Elo
- xiaomi/mimo-v2.6-proоценка разработчика1 673 Elo
JobBench
4 модели- xiaomi/mimo-v2.6-proоценка разработчика62%
- xiaomi/mimo-v2.6-flashоценка разработчика61,2%
- qwen/qwen3.8-flashоценка разработчика55,7%
- qwen/qwen3.8-27bоценка разработчика33,4%
LiveCodeBench v6
4 модели- qwen/qwen3.8-flashоценка разработчика91,9%
- qwen/qwen3.8-27bоценка разработчика90,3%
- qwen/qwen3.6-27bоценка разработчика83,9%
- moonshotai/kimi-k2-thinkingоценка разработчика83,1%
OSWorld-Verified
4 модели- qwen/qwen3.8-27bоценка разработчика84,3%
- xiaomi/mimo-v2.6-proоценка разработчика82%
- xiaomi/mimo-v2.6-flashоценка разработчика80,8%
- openai/gpt-5.5оценка разработчика78,7%
SWE-bench Verified
4 модели- google/gemini-3.1-pro-previewоценка разработчика80,6%
- qwen/qwen3.6-27bоценка разработчика77,2%
- moonshotai/kimi-k2-thinkingоценка разработчика71,3%
- openai/gpt-oss-120bоценка разработчика62,4%
Terminal-Bench 4.0
4 модели- anthropic/claude-fable-5.1оценка разработчика55,8%
- xiaomi/mimo-v2.6-proоценка разработчика34,9%
- deepseek/deepseek-v4.1-flashоценка разработчика31,2%
- xiaomi/mimo-v2.6-flashоценка разработчика28,8%
AndroidWorld
3 модели- qwen/qwen3.8-flashоценка разработчика84,5%
- qwen/qwen3.8-27bоценка разработчика81,9%
- qwen/qwen3.6-27bоценка разработчика70,3%
BrowseComp
3 модели- openai/gpt-5.5оценка разработчика84,4%
- minimax/minimax-m3оценка разработчика83,5%
- moonshotai/kimi-k2-thinkingоценка разработчика60,2%
IFBench
3 модели- qwen/qwen3.8-2.4t-a95bоценка разработчика82,8%
- qwen/qwen3.8-flashоценка разработчика81,3%
- qwen/qwen3.8-27bоценка разработчика79,5%
ProgramBench
3 модели- moonshotai/kimi-k3оценка разработчика77,8%
- moonshotai/kimi-k2.7-codeоценка разработчика53,6%
- xiaomi/mimo-v2.6-proоценка разработчика26,5%
SWE-bench Multilingual
3 модели- qwen/qwen3.8-flashоценка разработчика81%
- qwen/qwen3.6-27bоценка разработчика71,3%
- moonshotai/kimi-k2-thinkingоценка разработчика61,1%
Terminal-Bench 2.0
3 модели- openai/gpt-5.5оценка разработчика82,7%
- google/gemini-3.1-pro-previewоценка разработчика68,5%
- qwen/qwen3.6-27bоценка разработчика59,3%
Terminal-Bench 3.0
3 модели- deepseek/deepseek-v4.1-flashоценка разработчика30%
- z-ai/glm-5.3оценка разработчика28,3%
- x-ai/grok-4.6оценка разработчика26%
AIME 2026
2 модели- z-ai/glm-5.2оценка разработчика99,2%
- qwen/qwen3.6-27bоценка разработчика94,1%
AutomationBench (public set)
2 модели- deepseek/deepseek-v4-pro-0813оценка разработчика31,8%
- deepseek/deepseek-v4-flash-0731оценка разработчика25,1%
CoWorkBench
2 модели- qwen/qwen3.8-flashоценка разработчика73,9%
- qwen/qwen3.8-27bоценка разработчика70,7%
DeepSWE
2 модели- deepseek/deepseek-v4-pro-0813оценка разработчика62,7%
- deepseek/deepseek-v4-flash-0731оценка разработчика54,4%
DeepSWE v1.1 (vendor-reported)
2 модели- anthropic/claude-fable-5.1независимая оценка70%
- xiaomi/mimo-v2.6-flashоценка разработчика67,9%
FrontierSWE
2 модели- z-ai/glm-5.3оценка разработчика78,1%
- qwen/qwen3.8-2.4t-a95bоценка разработчика73,5%
Humanity's Last Exam (full set, no tools)
2 модели- google/gemini-3.1-pro-previewоценка разработчика44,4%
- moonshotai/kimi-k3оценка разработчика43,5%
MCP Atlas
2 модели- moonshotai/kimi-k2.7-codeоценка разработчика76%
- google/gemini-3.1-pro-previewоценка разработчика69,2%
MCP-Atlas (public set)
2 модели- z-ai/glm-5.2оценка разработчика76,8%
- minimax/minimax-m3независимая оценка74,2%
MMLU-Pro
2 модели- qwen/qwen3.6-27bоценка разработчика86,2%
- moonshotai/kimi-k2-thinkingоценка разработчика84,6%
MMLU-Redux
2 модели- moonshotai/kimi-k2-thinkingоценка разработчика94,4%
- qwen/qwen3.6-27bоценка разработчика93,5%
OSWorld 2.0 (partial)
2 модели- anthropic/claude-fable-5.1оценка разработчика77,9%
- qwen/qwen3.8-flashоценка разработчика52,3%
PaperBench
2 модели- qwen/qwen3.8-2.4t-a95bоценка разработчика93%
- openai/gpt-5.6-solнезависимая оценка90,5%
Единичные результаты
41 бенчмарк- AA-LCRmoonshotai/kimi-k374,7%источник ↗
- Agents' Last Exam (ALE-CLI)z-ai/glm-5.328,5%источник ↗
- Agents' Last Exam (Pass@1)qwen/qwen3.8-flash24,3%источник ↗
- AIME 2025 (no tools)moonshotai/kimi-k2-thinking94,5%источник ↗
- AIME 2025 (with Python)moonshotai/kimi-k2-thinking99,1%источник ↗
- AndroidBenchqwen/qwen3.8-2.4t-a95b75,1%источник ↗
- ARC-AGI-2 Verifiedgoogle/gemini-3.1-pro-preview77,1%источник ↗
- CharXiv Reasoningqwen/qwen3.6-27b78,4%источник ↗
- CritPtmoonshotai/kimi-k323,4%источник ↗
- Expert-SWE (internal)openai/gpt-5.573,1%источник ↗
- FrontierMath Tier 4openai/gpt-5.535,4%источник ↗
- FrontierMath Tiers 1-3openai/gpt-5.551,7%источник ↗
- GDPval (wins or ties)openai/gpt-5.584,9%источник ↗
- HealthBenchqwen/qwen3.8-2.4t-a95b60,2%источник ↗
- Humanity's Last Exam (full set, search + code)google/gemini-3.1-pro-preview51,4%источник ↗
- Humanity's Last Exam (full set, with tools)moonshotai/kimi-k356%источник ↗
- Humanity's Last Exam (no tools)deepseek/deepseek-v4-pro-081342,7%источник ↗
- Humanity's Last Exam (text-only, no tools)moonshotai/kimi-k2-thinking23,9%источник ↗
- Humanity's Last Exam (text-only, with tools)moonshotai/kimi-k2-thinking44,9%источник ↗
- IMO-AnswerBenchmoonshotai/kimi-k2-thinking78,6%источник ↗
- Kimi Claw 24/7 Benchmoonshotai/kimi-k2.7-code46,9%источник ↗
- Kimi Code Bench v2moonshotai/kimi-k2.7-code62%источник ↗
- LiveCodeBench Progoogle/gemini-3.1-pro-preview2 887 Eloисточник ↗
- LongBench v2qwen/qwen3.8-2.4t-a95b66,3%источник ↗
- MCP Mark Verifiedmoonshotai/kimi-k2.7-code81,1%источник ↗
- MLS Bench Litemoonshotai/kimi-k2.7-code35,1%источник ↗
- MMMUqwen/qwen3.6-27b82,9%источник ↗
- MMMU-Proqwen/qwen3.6-27b75,8%источник ↗
- Multi-SWE-benchmoonshotai/kimi-k2-thinking41,9%источник ↗
- QwenSWEBenchqwen/qwen3.8-27b79%источник ↗
- RealWorldQAqwen/qwen3.6-27b84,1%источник ↗
- SkillsBenchqwen/qwen3.8-2.4t-a95b70,2%источник ↗
- SkillsBench (avg@5)qwen/qwen3.6-27b48,2%источник ↗
- SuperGPQAqwen/qwen3.6-27b66%источник ↗
- SWE-bench Multimodal (public dev split)qwen/qwen3.8-27b38,6%источник ↗
- SWE-bench Pro (public)google/gemini-3.1-pro-preview54,2%источник ↗
- Terminal-Bench (source version unspecified)moonshotai/kimi-k2-thinking47,1%источник ↗
- Terminal-Bench-Science 0.1anthropic/claude-fable-5.152,6%источник ↗
- Tool-Decathlonz-ai/glm-5.248,2%источник ↗
- Toolathlonopenai/gpt-5.555,6%источник ↗
- WebArena-Verifiedqwen/qwen3.8-27b64,8%источник ↗
