Membangun evaluasi khusus seharusnya tidak sulit atau memakan waktu lama

Anda dapat menggunakan plugin + MCP kami untuk membuat rangkaian evaluasi lengkap, lalu menjalankannya di seluruh perawatan, model, atau pemanfaatan agen yang Anda minati kami mencoba dengan firecrawl. kami ingin memahami seberapa baik perilaku MCP mereka dan cara mengangkatnya…

OqoqoSep 2

Claude Opus 5 tergila-gila pada desain web.

Perintah ↓

Faisal AhmedSep 25

Fable 5.1 sekarang tersedia di Cursor - ia menempati posisi teratas di CursorBench.

Skor yang diperbarui: 1. Fabel 5.1 Maks : 73,4% 2. Fabel 5.1 Ekstra Tinggi : 72,8% 3. Grok 4.6 Ekstra Tinggi: 70,8% 4. Fabel 5 Maks : 70,5% 5. Opus 5 Maks: 70,0% 6. Grok 4.6 Tinggi: 69.9% 7. Fabel 5.1 Tinggi : 69,4% 8. Karya 5

matt palmerSep 2140

Fable 5.1 UI membuat saya merinding, pertama-tama model yang saya coba sejauh ini.

Opus 5 dicopot (yang menurut saya lebih baik daripada Fable 5 dalam hal ini). Ini benar-benar tembakan tunggal. Tak satu pun dari animasi spesifik yang digunakannya ada di prompt. Lihat sendiri, tautan di bawah.

arniSep 2