Câu hỏi thường gặp

SWE-bench Verified là gì và tại sao nó quan trọng?

SWE-bench Verified là một bài chuẩn gồm 500 vấn đề GitHub thực tế đã được xác thực bởi con người. Mô hình nhận một kho lưu trữ và một bài kiểm tra thất bại — chúng phải tạo ra một bản vá mã để làm cho bài kiểm tra thành công. Đây là bài chuẩn gần nhất với công việc kỹ thuật phần mềm trong thế giới thực. Tính đến giữa năm 2026, Claude Fable 5 dẫn đầu với 95%, tiếp theo là GPT-5.5 (88.7%) và Claude Opus 4.8 (88.6%).

Các nhãn SR và 3P trên bảng xếp hạng có nghĩa là gì?

SR có nghĩa là điểm số do nhà cung cấp mô hình tự công bố trong thẻ mô hình chính thức, báo cáo kỹ thuật hoặc blog ra mắt của họ. 3P có nghĩa là điểm số được đo lường độc lập bởi bên thứ ba như Artificial Analysis, ARC Prize Foundation, hoặc NIST/CAISI. Điểm số của bên thứ ba đáng tin cậy hơn cho việc so sánh trực tiếp vì chúng sử dụng các điều kiện đánh giá được tiêu chuẩn hóa.

Tại sao DeepSeek V4-Pro lại hiển thị hai điểm SWE-bench khác nhau?

DeepSeek V4-Pro tự công bố 80.6% trên SWE-bench Verified, nhưng NIST/CAISI đo lường độc lập 74.0% — chênh lệch 6.6 điểm. Sự khác biệt được cho là do thiết lập scaffolding, cấu trúc system-prompt và cài đặt ngân sách token. Chúng tôi hiển thị cả hai con số trên bảng xếp hạng để bạn có thể tự đánh giá sự chênh lệch.

GPQA Diamond là gì?

GPQA Diamond là bài chuẩn gồm các câu hỏi trình độ sau đại học về sinh học, hóa học và vật lý, được viết bởi các chuyên gia trong lĩnh vực để Google tìm kiếm không thể trả lời được. Tính đến tháng 6 năm 2026, Claude Opus 4.8 và GPT-5.5 hòa nhau ở mức 93.6%, tiếp theo là Qwen 3.7-Max (92.4%) và Claude Opus 4.6 (91.3%). Các chuyên gia Tiến sĩ con người đạt ~65% trên cùng các câu hỏi này.

Mô hình AI nào tốt nhất cho các tác vụ lập trình trong FlowHunt?

Đối với lập trình kiểu GitHub trong thế giới thực (SWE-bench Verified), Claude Fable 5 dẫn đầu với 95% và GPT-5.5 với 88.7%. Đối với lập trình cạnh tranh (LiveCodeBench), DeepSeek V4-Pro dẫn đầu với 93.5%. Đối với lập trình đa ngôn ngữ theo tác nhân (SWE-bench Pro), Qwen 3.7-Max dẫn đầu với 60.6%. Tất cả các mô hình được đánh dấu 'in FlowHunt' đều có sẵn trực tiếp trên nền tảng.

ARC-AGI-2 là gì và ai dẫn đầu?

ARC-AGI-2 là bài chuẩn về các tác vụ nhận dạng mẫu hình trực quan mới lạ không thể giải quyết bằng cách ghi nhớ dữ liệu huấn luyện, được xác thực độc lập bởi ARC Prize Foundation. Tính đến tháng 6 năm 2026, Claude Opus 4.6 dẫn đầu với 69.17% (xác thực 3P), tiếp theo là Claude Sonnet 4.6 (58.3%). Đường cơ sở của con người là ~60%.

Chỉ số Trí tuệ Nhân tạo (AA) của Artificial Analysis là gì?

Chỉ số Trí tuệ Nhân tạo Artificial Analysis là điểm tổng hợp độc lập không phải do bất kỳ nhà cung cấp nào tự công bố. Các mô hình dẫn đầu hiện tại: Claude Opus 4.8 (61.4 điểm), GPT-5.5 (60.2 điểm), Claude Opus 4.7 (57.3 điểm), Qwen 3.7-Max (56.6 điểm), DeepSeek V4-Pro (52 điểm). Các điểm số này có thể so sánh trực tiếp vì chúng được đo trong các điều kiện giống hệt nhau.

Sự khác biệt giữa mô hình AI trọng số mở và mô hình đóng là gì?

Mô hình trọng số mở công bố trọng số đã huấn luyện để tự lưu trữ. Mô hình đóng chỉ có qua API. Các mô hình tiên phong trọng số mở trên bảng xếp hạng này bao gồm DeepSeek V4-Pro (49B/1.6T MoE), MiniMax M3, Nemotron 3 Ultra (55B/550B MoE), Mistral Large 3 (41B/675B MoE) và tất cả các biến thể Meta Llama 4. Mô hình trọng số mở mang lại quyền riêng tư dữ liệu, khả năng tùy chỉnh và không có chi phí cho mỗi token.

Bảng xếp hạng này được cập nhật bao lâu một lần?

Bảng xếp hạng được cập nhật khi có kết quả điểm chuẩn mới đáng kể được công bố hoặc xác thực độc lập. Điểm số có hiệu lực tính đến ngày 12 tháng 6 năm 2026. Mỗi điểm số được gắn thẻ SR (tự công bố) hoặc 3P (bên thứ ba) để bạn luôn biết nguồn gốc. Mỗi mô hình cũng có trang riêng với phân tích điểm chuẩn chi tiết hơn.