Domande frequenti

Cos'è SWE-bench Verified e perché è importante?

SWE-bench Verified è un benchmark di 500 issue GitHub reali verificate da umani. I modelli ricevono un repository e un test fallito — devono produrre una patch di codice che faccia passare il test. È il benchmark più vicino al lavoro reale di ingegneria del software. A metà 2026, Claude Fable 5 è in testa con il 95%, seguito da GPT-5.5 (88,7%) e Claude Opus 4.8 (88,6%).

Cosa significano le etichette SR e 3P nella classifica?

SR indica che il punteggio è stato auto-dichiarato dal fornitore del modello nella propria scheda tecnica ufficiale, report tecnico o blog di lancio. 3P indica che il punteggio è stato misurato indipendentemente da una terza parte come Artificial Analysis, ARC Prize Foundation o NIST/CAISI. I punteggi di terze parti sono più affidabili per confronti diretti perché utilizzano condizioni di valutazione standardizzate.

Perché DeepSeek V4-Pro mostra due punteggi SWE-bench diversi?

DeepSeek V4-Pro ha auto-dichiarato 80,6% su SWE-bench Verified, ma NIST/CAISI ha misurato indipendentemente 74,0% — un divario di 6,6 punti. La differenza è attribuita alla configurazione dello scaffolding, alla costruzione del system prompt e alle impostazioni del budget di token. Mostriamo entrambi i numeri nella classifica così puoi valutare tu stesso la discrepanza.

Cos'è GPQA Diamond?

GPQA Diamond è un benchmark di domande di livello universitario avanzato in biologia, chimica e fisica, scritte da esperti del settore in modo che Google non possa rispondere. A giugno 2026, Claude Opus 4.8 e GPT-5.5 sono pari al 93,6%, seguiti da Qwen 3.7-Max (92,4%) e Claude Opus 4.6 (91,3%). Esperti umani con PhD ottengono circa il 65% sulle stesse domande.

Quale modello AI è migliore per attività di coding in FlowHunt?

Per coding in stile GitHub reale (SWE-bench Verified), Claude Fable 5 è in testa con il 95% e GPT-5.5 con l'88,7%. Per programmazione competitiva (LiveCodeBench), DeepSeek V4-Pro è in testa con il 93,5%. Per coding agentico multi-linguaggio (SWE-bench Pro), Qwen 3.7-Max è in testa con il 60,6%. Tutti i modelli contrassegnati 'in FlowHunt' sono direttamente disponibili nella piattaforma.

Cos'è ARC-AGI-2 e chi lo guida?

ARC-AGI-2 è un benchmark di compiti di riconoscimento di pattern visivi innovativi che non possono essere risolti memorizzando dati di addestramento, verificato indipendentemente dalla ARC Prize Foundation. A giugno 2026, Claude Opus 4.6 è in testa con il 69,17% (verificato 3P), seguito da Claude Sonnet 4.6 (58,3%). Il riferimento umano è circa il 60%.

Cos'è l'Artificial Analysis (AA) Intelligence Index?

L'Artificial Analysis Intelligence Index è un punteggio composito indipendente, non auto-dichiarato da alcun fornitore. Leader attuali: Claude Opus 4.8 (61,4 pt), GPT-5.5 (60,2 pt), Claude Opus 4.7 (57,3 pt), Qwen 3.7-Max (56,6 pt), DeepSeek V4-Pro (52 pt). Sono direttamente confrontabili poiché misurati in condizioni identiche.

Qual è la differenza tra modelli AI a pesi aperti e chiusi?

I modelli a pesi aperti pubblicano i propri pesi addestrati per l'hosting autonomo. I modelli chiusi sono solo tramite API. I modelli frontier a pesi aperti in questa classifica includono DeepSeek V4-Pro (49B/1,6T MoE), MiniMax M3, Nemotron 3 Ultra (55B/550B MoE), Mistral Large 3 (41B/675B MoE) e tutte le varianti Meta Llama 4. I modelli a pesi aperti offrono privacy dei dati, personalizzazione e nessun costo per token.

Con quale frequenza viene aggiornata questa classifica?

La classifica viene aggiornata quando vengono pubblicati o verificati indipendentemente nuovi risultati significativi di benchmark. I punteggi sono aggiornati al 12 giugno 2026. Ogni punteggio è etichettato SR (auto-dichiarato) o 3P (terza parte) così sai sempre la fonte. Ogni modello ha anche la propria pagina con un'analisi più approfondita dei benchmark.