CLASSIFICA DEI MODELLI APERTI
Misurato qui.
Fonti esterne.
I modelli a pesi aperti che Undergrove esegue, fianco a fianco: i punteggi dei benchmark così come li riportano i loro editori, ciascuno con il link alla pagina da cui proviene, e la velocità che misuriamo noi ogni settimana. Qui non c’è nulla di stimato.
Cosa riporta ciascun editore.
Punteggi tratti dalla model card di ciascun modello, così come vi sono riportati. Premi un benchmark per ordinare in base a esso; un trattino significa che l’editore non riporta quel benchmark per quel modello, quindi non lo facciamo nemmeno noi.
Ordinato per GPQA Diamond, dal più alto.
| Modello | ||||||
|---|---|---|---|---|---|---|
| Kimi K3 | 93,5%max | 43,5%max · senza strumenti | 56,0%max · strumenti | 88,3%max | Non riportato | Non riportato |
| DeepSeek V4.1 Flash | 90,9%max | 36,8%max · senza strumenti | 63,9%max · strumenti | 90,6%max | 3471max | Non riportato |
| Gemma 4 31B | 84,3% | 19,5%senza strumenti | Non riportato | Non riportato | 2150 | 85,2% |
| GPT-OSS 120B | 80,1%alto · senza strumenti | 14,9%alto · senza strumenti | 19,0%alto · strumenti | Non riportato | 2463alto · senza strumenti | Non riportato |
| Llama 3.3 70B | 50,5%0-shot · CoT | Non riportato | Non riportato | Non riportato | Non riportato | 68,9%5-shot · CoT |
| GLM-5.3 | Non riportato | Non riportato | 62,5%strumenti | 88,2% | Non riportato | Non riportato |
Ogni editore esegue i propri test con le proprie impostazioni: livello di ragionamento, strumenti, numero di tentativi e talvolta un proprio ambiente di valutazione. Due punteggi di editori diversi che differiscono di pochi punti non sono un confronto alla pari. Non abbiamo rieseguito noi questi benchmark.
Velocità, misurata ogni settimana.
Una volta alla settimana uno script invia a ogni modello le stesse tre brevi richieste tramite la nostra API per sviluppatori, con l’impostazione di ragionamento che lo spazio di lavoro usa per impostazione predefinita, e registra quanto tempo impiega la prima parola e con che velocità arriva il resto. I valori sono mediane, con il numero di risposte da cui derivano.
Non ancora misurato.
La prima misurazione settimanale non è ancora stata eseguita, quindi qui non ci sono dati sulla velocità. Non mostreremo una stima al loro posto. Fino ad allora, il ritmo di ciascun modello nella pagina dei modelli è una categoria basata su come risponde per impostazione predefinita, non una misurazione.
Ogni punteggio, con la sua fonte.
Tutti i valori che abbiamo copiato da ogni model card, oltre alle colonne qui sopra, e le condizioni che l’editore indica per ciascuno.
Kimi K3
- GPQA Diamondragionamento massimo93,5%
- Humanity’s Last Exam (HLE-Full)ragionamento massimo · senza strumenti43,5%
- Humanity’s Last Exam, with tools (HLE-Full)ragionamento massimo · con strumenti56,0%
- Terminal-Bench 2.1ragionamento massimo88,3%
- BrowseCompragionamento massimo91,2%
- OSWorld-Verifiedragionamento massimo84,8%
- MMMU-Proragionamento massimo · senza strumenti81,6%
Kimi K3 model card di Moonshot AIConsultato il 30 ottobre 2026
GLM-5.3
- Humanity’s Last Exam, with toolscon strumenti62,5%
- Terminal-Bench 2.188,2%
- DeepSWE v1.166,9%
- CyberGymragionamento massimo84,5%
- Toolathlon Verified73,0%
GLM-5.3 model card di Z.aiConsultato il 30 ottobre 2026
DeepSeek V4.1 Flash
- GPQA Diamondragionamento massimo90,9%
- Humanity’s Last Examragionamento massimo · senza strumenti36,8%
- Humanity’s Last Exam, with toolsragionamento massimo · con strumenti63,9%
- Terminal-Bench 2.1ragionamento massimo90,6%
- Codeforcesragionamento massimo3471
- DeepSWE v1.1ragionamento massimo74,2%
- CyberGymragionamento massimo88,1%
DeepSeek-V4.1-Flash model card di DeepSeekConsultato il 30 ottobre 2026
Gemma 4 31B
- GPQA Diamond84,3%
- Humanity’s Last Examsenza strumenti19,5%
- Codeforces2150
- MMLU-Pro85,2%
- Humanity’s Last Exam, with searchcon ricerca web26,5%
- AIME 2026senza strumenti89,2%
- LiveCodeBench v680,0%
- MMMU-Pro76,9%
- τ²-benchmedia di 3 esecuzioni76,9%
Gemma 4 31B-it model card di GoogleConsultato il 30 ottobre 2026
GPT-OSS 120B
- GPQA Diamondragionamento alto · senza strumenti80,1%
- Humanity’s Last Examragionamento alto · senza strumenti14,9%
- Humanity’s Last Exam, with toolsragionamento alto · con strumenti19,0%
- Codeforcesragionamento alto · senza strumenti2463
- MMLUragionamento alto90,0%
- SWE-bench Verifiedragionamento alto62,4%
- AIME 2025ragionamento alto · senza strumenti92,5%
- τ-bench Retailragionamento alto67,8%
gpt-oss-120b & gpt-oss-20b model card (arXiv 2508.10925), table 3 di OpenAIConsultato il 30 ottobre 2026
Llama 3.3 70B
- GPQA Diamond0-shot · chain of thought50,5%
- MMLU-Pro5-shot · chain of thought68,9%
- MMLU0-shot · chain of thought86,0%
- HumanEval0-shot88,4%
- IFEval92,1%
- MATH0-shot · chain of thought77,0%
- MGSM0-shot91,1%
Llama 3.3 70B Instruct model card di MetaConsultato il 30 ottobre 2026
Fonti
- Kimi K3 model card di Moonshot AIConsultato il 30 ottobre 2026
- GLM-5.3 model card di Z.aiConsultato il 30 ottobre 2026
- DeepSeek-V4.1-Flash model card di DeepSeekConsultato il 30 ottobre 2026
- Gemma 4 31B-it model card di GoogleConsultato il 30 ottobre 2026
- gpt-oss-120b & gpt-oss-20b model card (arXiv 2508.10925), table 3 di OpenAIConsultato il 30 ottobre 2026
- Llama 3.3 70B Instruct model card di MetaConsultato il 30 ottobre 2026
I punteggi vengono copiati a mano dalla model card di ciascun editore quando un modello arriva su Undergrove, e ricontrollati quando la scheda cambia; il job settimanale controlla anche che ogni pagina citata qui risponda ancora. Un punteggio che non possiamo indicare sulla pagina di un editore non viene elencato.