비교

에이전트, 코딩, 일반 지식, 과학적 추론의 네 축에 걸친 아홉 개 테스트로, 각 축이 4분의 1씩 반영됩니다.

지식과 같은 비중으로 에이전트 작업을 평가하는 유일한 복합 지표입니다. 운영사는 작업당 비용과 출력 속도도 함께 공개하며, 이는 점수보다 더 큰 결정 요소가 되곤 합니다.

사람들이 블라인드 에이전트 실행을 비교하며, 점수는 끝까지 해결된 작업의 비율입니다.

번쩍이는 답변 대신 도구를 쓰는 긴 실행을 측정해, 실제 코딩 에이전트의 작동 방식과 가장 가깝습니다.

12개 파이썬 저장소에서 온 500개의 실제 GitHub 이슈입니다. 테스트 스위트를 통과해야 수정으로 인정됩니다.

실제 코드 버그 수정의 오랜 표준이지만 이제 거의 포화 상태로, 최상위 모델들이 96 퍼센트 안팎에 몰려 있습니다. 여기서는 바닥 확인용이며, 차이는 아레나가 보여줍니다.

사람들이 같은 프롬프트로 나온 두 개의 렌더링 결과물을 비교합니다. 웹사이트, UI 컴포넌트, 데이터 시각화, 3D가 각각 단일 파일로 만들어집니다.

지금까지 유일하게 완성된 렌더링 디자인을 평가하는 벤치마크입니다. 결과물이 세련되었는지, 흔한 AI 만듦새인지가 여기서 드러납니다.

실제 사람들이 낸 웹 개발 프롬프트를 블라인드 비교해 만든 Elo 순위입니다.

웹 벤치마크 중 가장 많은 표를 모았고, Design Arena와 다른 승자를 세웁니다. 바로 그 모순이 둘 다 실은 이유입니다.

텍스트 리더보드의 글쓰기 열로, 실제 사용자들이 창의적이고 실무적인 글을 블라인드 비교한 결과입니다.

사람들이 직접 투표하는 자리의 언어 품질이라 속이기 어렵습니다.

답변 패턴이 모델에 새지 않도록 끊임없이 새로운 과제를 내며, 언어와 글쓰기 블록을 포함합니다.

취향 투표의 반대편으로, 낡은 학습 데이터에 흔들리지 않는 통제된 기준입니다.

텍스트 리더보드의 독일어 열로, 사용자가 독일어로 낸 과제를 블라인드 비교한 결과입니다.

독일어는 이 사이트의 제1언어입니다. 독일어 사용자가 블라인드 비교에서 누구를 고르는지 보여주는 유일한 보드입니다.

같은 리더보드의 한국어 열로, 영어 열보다 표가 훨씬 적습니다.

한국어는 이 사이트의 세 번째 언어이자 더 어려운 시험대입니다. 학습 데이터도, 표도 적고 오차 범위는 큽니다.

블라인드 짝 비교로, 같은 프롬프트에서 나온 두 이미지 중 한 표가 결정합니다.

연구실 마케팅과 별개로 실제 이용 목적에 맞춘 이미지 품질을 측정하는 유일한 대표본입니다.

차트, 화면, 문서 등 이미지 과제를 블라인드로 비교합니다.

브라우저나 도구에서 스크린샷을 다룰 때의 일상 테스트입니다.

실제 사무 환경이 남기는 길고 지저분한 파일을 대상으로 한 문서 이해력 측정입니다.

스크린샷을 보충해 PDF, 양식, 계약서 같은 일상 자료의 다른 절반을 다룹니다.