SEAL LLM Leaderboard

הסקירה

אתם נכנסים לכתובת labs.scale.com ומקבלים מול העיניים טבלאות דירוג שמשוות ביצועים של מעל 100 דגמי בינה מלאכותית מול יותר מ־20 מבחני ביצועים שונים. האתר לא מציע תיבת צ'אט או כפתור להרצת פרומפטים משלכם. הוא מציג תוצאות שנמדדו במעבדה על מודלים של חברות כמו OpenAI, Anthropic, Google ו־Meta, לצד תורמי קוד פתוח. המטרה כאן היא לתעד איפה המודלים מצליחים ואיפה הם קורסים במשימות מורכבות. הממשק כולו באנגלית בלבד. הנתונים מתעדכנים ישירות על גבי לוחות לפי חלוקה לקטגוריות של מודלי חזית, יכולות סוכנים ובטיחות.

המבחנים כאן לא בודקים סתם ידע כללי של טריוויה, אלא מתמקדים ביכולות הנדסיות ומקצועיות כבדות. תמצאו שם למשל את SWE Atlas שבוחן שכתוב קוד, כתיבת בדיקות והבנת מאגרי תוכנה, לצד מבחן כמו DrugDiscoveryBench שכולל 82 משימות עבודה חישובית לפיתוח תרופות. יש פילוח בין מאגרי מידע ציבוריים לבין מאגרים פרטיים סגורים במבחן SWE-Bench Pro, במטרה למנוע מצב שבו מודל פשוט שינן את התשובות מראש ברשת. טבלת דירוג כזו שווה משהו רק אם המודל לא ראה את השאלות מראש בהכשרה שלו. זה כל הרעיון מאחורי השילוב של נתונים פרטיים.

השוואת סוכנים וביצועים מקצועיים

מה שמבדיל את המקום הזה מלוחות ישנים ברשת הוא ההתמקדות בסוכנים עצמאיים. במקום לבדוק השלמת מילים פשוטה, הלוח מודד פעולות בעולם האמיתי. מבחן MCP Atlas בודק שימוש בכלים דרך פרוטוקול Model Context Protocol, ושם דגמים כמו Muse Spark 1.1 מגיעים לציון 88.10 לצד דגמי claude-fable-5-1 עם 87.20. יש מבחן ייעודי בשם HiL-Bench שבודק אם סוכן מזהה חוסר במידע ועוצר לבקש הבהרה מבן אדם. במבחן כזה Claude Fable 5.1 מוביל עם 61.50 נקודות, כשמיד אחריו Claude Opus 5 עם 57.00. המערכת דוחפת את המודלים למצבי קצה מורכבים.

במשימות עבודה ממושכות הציונים צונחים.

תראו למשל את מדד Remote Labor Index שבודק עבודה מרחוק בעלת ערך כלכלי. המוביל שם, דגם Fable-5, מגרד ציון של 15.80 בלבד, בזמן ש־Opus 4.8 מגיע ל־8.33 ו־Codex GPT 5.5 מקבל 6.25 בלבד. בתחומים מקצועיים מוגדרים יותר המצב שונה לחלוטין. במבחני שיקול דעת בפיננסים ובמשפטים, Muse Spark 1.1 מוביל עם 55.01 ו־57.05 נקודות. במבחן הבטיחות MASK שבודק כנות תחת לחץ לשקר, claude-opus-4-6 ללא מנגנון חשיבה מוביל עם 96.28. לא הייתי משתמש בלוח הזה כדי לבחור כותב תוכן שיווקי, כי המדדים מיועדים למפתחים שצריכים עבודה סיסטמתית ולא למי שמחפש השראה יצירתית.

זה שווה את זה רק לחוקרים ומפתחים.

מודל העלויות וההשתתפות

מבחינת כסף, הצפייה בכל הנתונים, הדירוגים והציונים בלוחות פתוחה באתר ללא תשלום תחת קוד פתוח. אתם יכולים לגלוש, לסנן לפי קטגוריות ולנתח את השגיאות והתוצאות בלי להכניס כרטיס אשראי. עם זאת, התמחור הכללי מוגדר גם בתור paid, משום ששילוב מודל משלכם בתוך הלוח דורש פנייה ישירה למייל החברה. הם מציבים תנאי קשיח שלפיו מודל נבחן אך ורק בפעם הראשונה שבה הוא נחשף לפרומפטים של המבחן, כדי לשמור על אמינות הבדיקה ולמנוע התאמת יתר. אין באתר מחירון מסודר שמפרט כמה עולה להריץ הערכה רשמית כזו.

האתר עצמו מופעל כולו בשפה האנגלית, ואין בו שום התאמה לישראל או אזכור למחירים בשקלים. מבחינת שפות, קיים מבחן בשם MultiNRC שבודק נימוק רב־לשוני מול מודלים שונים, ושם Muse Spark 1.1 מוביל עם 65.59 מול gpt-5-pro עם 65.20. עם זאת, החומר לא מפרט ספציפית אם עברית נכללת שם. האתר גם כולל מבחנים על קול ודיבור מרובה תורות כמו AudioMultiChallenge, שבו gemini-3.8-flash מוביל בגרסה עם ציון 60.40. מי שצריך עבודה בעברית ייאלץ להסיק מסקנות באופן עקיף מהיכולת הרב־לשונית הכללית, בלי בדיקה מקומית ייעודית.

אין כאן קיצורי דרך למתלבטים.

• צפייה בלוחותפתוחה וחינמית
• הערכת מודלבתשלום בפנייה יזומה
• שפת ממשקאנגלית בלבד