ماكوبنش: مجموعة اختبار +غير مناسب للعمل

47 من أصل 56 نموذجًا في التسلسل 4.1، تم نشر اللوحة نوفمبر 2026. انقر على عنوان عمود للترتيب، وانقر على السهم بجانب الاسم لرؤية جميع تفاصيل ذلك الطراز، وانقر على الرمز i بجانب العنوان لمعرفة معناه. يحدد خيار Columns ما يظهر؛ بينما يحفظ خيار Export الجدول.

اختبار منفصل للروايات للبالغين التي تحتوي على شخصيات بالغة فقط؛ لا يعد جزءًا من الاختبار الكلي.

نختبر النماذج المحلية على جهاز واحد: بطاقتا رسومات من نوع RTX 5090 وبطاقتا رسومات من نوع RTX 3090، بالإضافة إلى حوالي 112 جيجابايت من ذاكرة الفيديو. الحكم المستخدم هو Gemma 4 31B (Q8). أما النماذج المُستضافة فتعمل عبر واجهات برمجة التطبيقات الخاصة بها. ما الذي يمكن للجهاز اختباره

• المجموع = الكود + الدردشة. الحصول على 10 في كل منهما يعني اجتياز الاختبارات القياسية بشكل مثالي، لذا فإن 20 هو الحد الأقصى الطبيعي؛ أما حزم المكافآت فتضيف نقاطًا إضافية، حتى الوصول إلى الحد الأقصى الممكن للحزمة بأكملها (حيث تمتد شريطات الصف إلى ذلك الحد). أما درجة المحتوى غير المناسب للعرض العام فهي اختبار منفصل (يُظهر مدى تقبل النموذج للمحتوى البالغ) ولا تدخل ضمن المجموع. لا يعني ارتفاع الدرجة أنها أفضل أو أسوأ؛ بل عليك اختيار ما يناسب استخدامك.
• Each score is nominally 10 on the standard tests. A part scored 90% or more unlocks a harder bonus set, worth 1 point, so Code, Chat and NSFW score can pass 10, up to 10 plus one point per pack in the suite.
• ± المجموع = نصف فترة الـ 90% الناتجة عن عملية البووتستراب على حالات الاختبار؛ النماذج التي تكون أقرب من ذلك تعتبر متعادلة إحصائيًا.
• يتم تشغيل كل نموذج مرة واحدة، لذا فإن الفروقات تُظهر الحالات التي تم اختيارها، وليس التباين الناتج عن عمليات التشغيل المتكررة؛ كما أن ذلك يقلل من تقدير حجم عدم اليقين الحقيقي. هنا، تختلف الصفوف المتعلقة بنفس الأوزان (التوأمات من حيث الكمية أو مستوى الخدمة) بما يصل إلى 2.4 نقطة. يجب اعتبار الفروقات التي تبلغ نقطة أو نقطتين على أنها تعادل.
• الفئة هي نطاق تقريبي حيث: S ≥ 16، A ≥ 13، B ≥ 10، C ≥ 0.
• الميل = ميل نحو الدردشة أو الميل نحو الكود عندما يكون الفارق عن المتوسط العام 1.5 نقطة أو أكثر؛ وإلا فهو متوازن.
• tok/s = متوسط سرعة التوليد؛ لا يمكن مقارنته إلا بين النماذج التي تعمل على نفس الجهاز.
• التكميم = مستوى التكميم الذي حققناه. Q8_0 هو المعيار للنماذج المحلية؛ أي مستوى تكميم آخر يُشار إليه على أنه غير معياري في تفاصيل الصف. واجهة برمجة التطبيقات = نموذج مضيف، يقدمه مزود الخدمة.
• Run cost = what one run of the Code and Chat tests cost at the provider's price, generation only. ~ = estimated from token counts at list price. * means some requests came back without usage data, so the figure may be low. — = run on our own hardware, so no bill.
• N محظور = قام مرشح المحتوى الخاص بالمزود بحظر N ردًا؛ وتسجل كل منها صفر نقاط.
• صف واحد لكل طراز: تظهر الكميات الأخرى ومستويات الخدمة ذات الأوزان نفسها تحت الصف الرئيسي (افتح السهم) ولا يتم ترتيبها.
• ⚠ مؤقت = يظهر بدون تصنيف؛ والسبب مذكور في الصف (فشل في فحص التوافق، أو عدم اكتمال الاختبارات، أو حزم المكافآت التي تنتظر إعادة التشغيل). الصف الذي يمكن إعادة تشغيله يحصل على تصنيف بعد إعادة التشغيل؛ أما الصفوف التي تم اختبارها وتحتها درجة Q5 والنماذج التي هي أصغر من أن تخضع لأي اختبار فتظل بدون تصنيف.
• الشرطة في عمود “المجموع” تعني أن جزءًا من تشغيل ذلك النموذج (الكود، الدردشة أو حزمة المكافآت) لم يتم تقييمه بعد، ولذلك لا يوجد تصنيف له.