এআই বেঞ্চমার্ক এনসাইক্লোপিডিয়া ও পারফরম্যান্স এক্সপ্লোরার
SWE-bench Verified, GPQA Diamond, Chatbot Arena Elo, AIME, Terminal-Bench এবং Humanity’s Last Exam—প্রতিটি বেঞ্চমার্ক কীভাবে কাজ করে এবং কোন এআই মডেল কোন পরীক্ষায় শীর্ষে রয়েছে তার পূর্ণাঙ্গ বিশ্লেষণ।
SWE-bench Verified
জনপ্রিয় পাইথন গিটহাব রিপোজিটরির ৫০০টি বাস্তব বাগ ও ইস্যু স্বয়ংক্রিয়ভাবে খুঁজে বের করে কোড পরিবর্তন এবং ডকার কন্টেইনারে ইউনিট টেস্ট পাস করার সক্ষমতা যাচাই করে।
Cursor, Claude Code, Windsurf এবং অটোনোমাস কোডিং এজেন্টের বাস্তব দক্ষতা পরিমাপের সবচেয়ে নির্ভরযোগ্য মাপকাঠি।
এই বেঞ্চমার্কের শীর্ষ মডেল (2026 Leaders)
SWE-bench Verified — শীর্ষ ২৫ এআই মডেল র্যাঙ্কিং
223 টি যাচাইকৃত মডেল পাওয়া গেছে| # | মডেল | প্রোভাইডার | SWE-bench স্কোর ও বার | ব্লেন্ডেড মূল্য (3:1) | স্পিড (tok/s) | অ্যাকশন |
|---|---|---|---|---|---|---|
| 1 | Claude Opus 5.5 | Anthropic | 84.6% | $8 | 78 tok/s | প্রোফাইল দেখুন |
| 2 | Claude Mythos 5.1 | Anthropic | 84.2% | $30 | 60 tok/s | প্রোফাইল দেখুন |
| 3 | Claude Fable 5.1 | Anthropic | 83.8% | $20 | 65 tok/s | প্রোফাইল দেখুন |
| 4 | GPT-5.6 Sol | OpenAI | 83.8% | $8 | 108 tok/s | প্রোফাইল দেখুন |
| 5 | Claude Opus 5 | Anthropic | 83.1% | $10 | 68 tok/s | প্রোফাইল দেখুন |
| 6 | Claude Sonnet 5.5 | Anthropic | 82.9% | $4 | 105 tok/s | প্রোফাইল দেখুন |
| 7 | GPT-5.5 Pro | OpenAI | 82.6% | $112.5 | 42 tok/s | প্রোফাইল দেখুন |
| 8 | GPT-6 Astra | OpenAI | 82.4% | $20 | 100 tok/s | প্রোফাইল দেখুন |
| 9 | GPT-6.1 Sol | OpenAI | 82.3% | $4 | 120 tok/s | প্রোফাইল দেখুন |
| 10 | GPT-6 Sol | OpenAI | 82.1% | $4 | 116 tok/s | প্রোফাইল দেখুন |
| 11 | Gemini 4 Argon | 81.9% | $4 | 115 tok/s | প্রোফাইল দেখুন | |
| 12 | GPT-5.6 Terra | OpenAI | 81.4% | $4 | 124 tok/s | প্রোফাইল দেখুন |
| 13 | Claude Sonnet 5 | Anthropic | 81.2% | $6 | 95 tok/s | প্রোফাইল দেখুন |
| 14 | GPT-5.5 | OpenAI | 81% | $11.25 | 112 tok/s | প্রোফাইল দেখুন |
| 15 | Claude Opus 4.8 | Anthropic | 80.8% | $10 | 64 tok/s | প্রোফাইল দেখুন |
| 16 | GPT-5.4 Pro | OpenAI | 80.8% | $56.25 | 48 tok/s | প্রোফাইল দেখুন |
| 17 | Claude Opus 4.7 | Anthropic | 79.5% | $10 | 58 tok/s | প্রোফাইল দেখুন |
| 18 | GPT-5.2 Pro | OpenAI | 79.4% | $48.125 | 50 tok/s | প্রোফাইল দেখুন |
| 19 | GPT-5.4 | OpenAI | 79.2% | $5.625 | 126 tok/s | প্রোফাইল দেখুন |
| 20 | GPT-5.3 Codex | OpenAI | 79% | $5.5 | 122 tok/s | প্রোফাইল দেখুন |
| 21 | GPT-5 Pro | OpenAI | 78.5% | $41.25 | 55 tok/s | প্রোফাইল দেখুন |
| 22 | Claude Opus 4.6 | Anthropic | 78.4% | $10 | 55 tok/s | প্রোফাইল দেখুন |
| 23 | GPT-5.1 Codex Max | OpenAI | 78.2% | $4.813 | 95 tok/s | প্রোফাইল দেখুন |
| 24 | GPT-5.2 Codex | OpenAI | 78.1% | $4.813 | 118 tok/s | প্রোফাইল দেখুন |
| 25 | Claude Sonnet 4.5 | Anthropic | 77.8% | $6 | 90 tok/s | প্রোফাইল দেখুন |
এআই বেঞ্চমার্ক ও মূল্যায়ন পদ্ধতি সম্পর্কিত প্রশ্নোত্তর (FAQ)
SWE-bench Verified এবং সাধারণ HumanEval কোডিং বেঞ্চমার্কের পার্থক্য কী?+
HumanEval একক ফাংশন জেনারেশন পরীক্ষা করে (যা বর্তমানে ৯০%+ স্যাচুরেটেড), আর SWE-bench Verified বাস্তব GitHub রিপোজিটরির জটিল মাল্টি-ফাইল বাগ ফিক্স এবং ইউনিট টেস্ট পাস করার সক্ষমতা যাচাই করে।
GPQA Diamond বেঞ্চমার্ক কেন ফ্রন্টিয়ার রিজনিং পরিমাপের সেরা মানদণ্ড?+
GPQA Diamond-এ পদার্থবিজ্ঞান, রসায়ন ও জীববিজ্ঞানের পিএইচডি-স্তরের গুগল-প্রুফ প্রশ্ন থাকে, যেখানে সাধারণ মুখস্থ তথ্যের বদলে গভীর মাল্টি-স্টেপ বৈজ্ঞানিক রিজনিং প্রয়োজন হয়।
LMSYS Chatbot Arena Elo স্কোর কীভাবে নির্ধারণ করা হয়?+
লক্ষাধিক ব্লাইন্ড A/B হিউম্যান ভোটিংয়ের মাধ্যমে দুটি অজ্ঞাত মডেলের উত্তর তুলনা করে দাবা খেলার মতো Elo রেটিং বা ব্র্যাডলি-টেরি স্কোর গণনা করা হয়।
Humanity’s Last Exam (HLE) বেঞ্চমার্ক কী পরীক্ষা করে?+
HLE হলো গণিত, তাত্ত্বিক পদার্থবিজ্ঞান এবং মাল্টিমোডাল যুক্তির সবচেয়ে কঠিন ফ্রন্টিয়ার পরীক্ষা, যা বর্তমান এলএলএমগুলোর সর্বোচ্চ বুদ্ধিমত্তার সীমা পরিমাপ করে।