Загрузка видео...

Не удалось загрузить видео

Возникла проблема при загрузке этого видео. Это может быть связано с временными проблемами сети или видео может быть недоступно.

На главную

Coding Benchmark 🔥 GPT 5.6 Sol Max vs Fable 5 Max vs GLM 5.2 Max vs Opus 4.8 Max - Part 1 Task: Stable Fluids (Jos Stam) - Modelden tek bir bağımsız HTML dosyasında, Jos Stam'ın Stable Fluids yöntemine dayalı gerçek zamanlı, etkileşimli bir akışkan simülasyonu üretmesi isteniyor —... kütüphane yok, zero-shot, tek deneme. Çıktı; semi-Lagrangian advection, iteratif difüzyon ve basınç projeksiyonu adımlarını doğru sırada içermeli, ImageData ile 256×256 gridde akıcı çalışmalı, fareyle boya ve hız enjekte edilebilmeli, ekranda divergence ile kütle korunumunu canlı raporlamalıdır. Final Puantaj ve Özet •GPT 5.6 Sol Max — 91/100 •GLM 5.2 Max — 88/100 •Opus 4.8 Max — 86/100 •Fable 5 Max — 81/100 Maliyetler: - GPT‑5.6 Sol : $54,05–$97,02 - Claude Fable 5 : $78,75 - Claude Opus 4.8 : $15,52 - GLM‑5.2 : $1,17 Neden önemli: Bu benchmark, "çalışıyor gibi görünen ama sessizce yanlış" kodu yakalayan nadir testlerden. Basınç projeksiyonunu atlayan bir model yine hatasız çalışan, boyayı yayan bir animasyon üretir — ama girdap oluşmaz; yani hata derleme değil, fizik seviyesindedir ve ancak çıktıya bakınca anlaşılır. Aynı şekilde, Stam'ın yönteminin tanımlayıcı özelliği koşulsuz kararlılıktır: timestep'i sonuna kadar açtığında doğru implementasyon ayakta kalır, naive ileri fark şeması anında NaN'a düşer. Modelde neyi test eder: Ezberlenmiş kod parçacığı yerine algoritmanın nedenini kavradığını (projeksiyon adımının niye zorunlu olduğunu), sayısal yöntem seçimini (implicit çözücü, geri-izleme, yeterli Poisson iterasyonu), gerçek zamanlı grafik farkındalığını (tek blit vs hücre başına fillRect), ve uzun kodda tutarlılığı — sınır koşulları, alan yönetimi, UI durum yönetimi tek dosyada bozulmadan bir arada duruyor mu. Üstelik değerlendirme sübjektif değil: divergence sıfıra iniyor mu, silindirin arkasında Kármán girdap sokağı beliriyor mu, büyük dt'de hayatta kalıyor mu — üçü de ikili (evet/hayır) sonuç verir, yani "vibecoding" testine nadir bulunan nesnel bir skorlama tabanı sağlar.show more

Alican Kiraz

37,603 subscribers

40,899 просмотров • 2 месяцев назад •via X (Twitter)

Наука и технологии

Anya Rossi• Live Now

Private livecam show

Комментарии: 0

Нет доступных комментариев

Здесь появятся комментарии из оригинального поста

Похожие видео

GPT 5.6 Pro VS GPT 5.5 Xhigh VS Opus 4.8 Extra VS GLM 5.2 Marble Puzzle All the same prompt. Which one is best?

GPT 5.6 Pro VS GPT 5.5 Xhigh VS Opus 4.8 Extra VS GLM 5.2 Marble Puzzle All the same prompt. Which one is best?

Conor Dart

73,283 просмотров • 2 месяцев назад

Advanced Frontier LLM Coding Benchmark 13.08.2026 Modeller: - Grok 4.6 Extra High - Cursor - Opus 5 Max - Claude Code (App) - Qwen 3.8 Max - Qwen-Code (CLI) - Kimi K3 Max - Kimi-Code (App) - GLM 5.2 Max - Zcode (App) - GPT 5.6 Sol Very High - Codex (App) - Deepseek-v4-flash-0731 - Qwen-Code (CLI) - Cursor Auto - Cursor (App) - Deepseek-v4-pro-0813 - Opencode (CLI) Görev: Ferrofluid: Metaball yüzeyi + mıknatıs imlecine doğru yükselen Rosensweig dikenleri. Ferrofluid'in zorluğu, "imlece doğru akan sıvı" görünümünün arkasındaki fiziğin bir eşik/bifurkasyon fenomeni olması modellerin %90'ının ıskaladığı nokta. Not: Bu test oldukça zorlu bir yapıda ve frontier benchmark temeldedir. Zorluk katmanları: - Fiziksel modeli doğru anlayıp denklemlere dönüştürme - Kararlı bir SPH/PBF çözücü geliştirme - Manyetik alan, yüzey gerilimi ve histerezis davranışını modelleme - Metaball ve marching-squares ile yüzey çıkarımı - Ölçülebilir ve dürüst bir self-grading sistemi oluşturma - Tarayıcıda yeterli performans sağlama - Görsel olarak anlaşılır bir ürün yüzeyi hazırlama Modellerin Kullanım miktarları ve süreleri: - GPT 5.6 - 57m 6s - $82.1 - Opus 5 - 1s 36m - $106.6 - GLM 5.2 - 1h 2m - $35.7 - Kimi K3 - 1h 23m - $57.3 - Qwen3.8 - 48m 1s - $18 - Deepseek-v4-flash-0731 - 1h 25d - $0.79 - Cursor Auto - 25m 15s - $8-9 - Grok 4.6 - 39m - $5.1 - Deepseek-v4-pro-0813 - 2h 51m - $1.92 Modellerin Performans Tablosu: - Maliyet + Performans Kazanı: Qwen3.8 - Saf teknik ve fiziksel kalite kazananı: Opus 5 - En iyi ultra-düşük maliyetli mühendislik çekirdeği: DeepSeek V4 Pro 0813 - En iyi frontend, ürünleştirme ve gözlemlenebilirlik katmanı: GPT-5.6 Sol - En iyi düşük maliyetli matematiksel eleştirmen: Grok 4.6 - Performans ve sadeleştirme için en uygun yardımcı model: GLM 5.2 Bağımsız saf teknik başarı sıralaması: - Opus 5: 86/100 - Düzenli ve gerçek spike trenine en yakın sonuç. - Qwen3.8: 79/100 - Spike oluşuyor fakat yüksek alanda parçalanma artıyor. - DeepSeek V4 Pro-0813: 64/100 - Gelişmiş çekirdek, fakat ciddi indeksleme riski ve parçalanma - GPT-5.6 Sol: 63/100 - En iyi ürün yüzeyi; fizik çekirdeğinde damlacıklaşma - GLM 5.2: 57/100 - Çok kararlı ve hızlı, fakat tek geniş kubbe üretiyor - Grok 4.6: 53/100 - Matematiksel olarak iyi düşünülmüş, tarayıcı performansı çok düşük - Cursor Auto: 47/100 - Hızlı üretim; garip ince kolonlar, parçalanma ve düşük runtime FPS - Kimi K3: 42/100 - Özellik kapsamı geniş; fiziksel sonuç ve skor güvenilirliği zayıf - DeepSeek V4 Flash-0731: 32/100 - En ucuz; varsayılan görüntü kullanılamaz ve ölçümler yanıltıcı Nasıl kullanmalıyız: - Tek model seçeceksem: Qwen3.8 - Bütçe önemsiz ve en iyi teknik sonucu istiyorsam: Opus 5 - Çok düşük bütçeyle güçlü bir çekirdek istiyorsam: DeepSeek V4 Pro - Sadece frontend ve ürün kalitesi istiyorsam: GPT-5.6 Sol - Formül ve algoritma eleştirmeni istiyorsam: Grok 4.6 - Optimization/refactor istiyorsam: GLM 5.2 - Visual QA istiyorsam: Kimi K3 - Cursor Auto’yu model olarak değil, sabit modelleri yöneten agent harness olarak kullanırım - DeepSeek Flash’ı zorlu caseler dışında, harness yaparak çözeceksem ve disposable boilerplate ile test üretiminde kullanırım.

Advanced Frontier LLM Coding Benchmark 13.08.2026 Modeller: - Grok 4.6 Extra High - Cursor - Opus 5 Max - Claude Code (App) - Qwen 3.8 Max - Qwen-Code (CLI) - Kimi K3 Max - Kimi-Code (App) - GLM 5.2 Max - Zcode (App) - GPT 5.6 Sol Very High - Codex (App) - Deepseek-v4-flash-0731 - Qwen-Code (CLI) - Cursor Auto - Cursor (App) - Deepseek-v4-pro-0813 - Opencode (CLI) Görev: Ferrofluid: Metaball yüzeyi + mıknatıs imlecine doğru yükselen Rosensweig dikenleri. Ferrofluid'in zorluğu, "imlece doğru akan sıvı" görünümünün arkasındaki fiziğin bir eşik/bifurkasyon fenomeni olması modellerin %90'ının ıskaladığı nokta. Not: Bu test oldukça zorlu bir yapıda ve frontier benchmark temeldedir. Zorluk katmanları: - Fiziksel modeli doğru anlayıp denklemlere dönüştürme - Kararlı bir SPH/PBF çözücü geliştirme - Manyetik alan, yüzey gerilimi ve histerezis davranışını modelleme - Metaball ve marching-squares ile yüzey çıkarımı - Ölçülebilir ve dürüst bir self-grading sistemi oluşturma - Tarayıcıda yeterli performans sağlama - Görsel olarak anlaşılır bir ürün yüzeyi hazırlama Modellerin Kullanım miktarları ve süreleri: - GPT 5.6 - 57m 6s - $82.1 - Opus 5 - 1s 36m - $106.6 - GLM 5.2 - 1h 2m - $35.7 - Kimi K3 - 1h 23m - $57.3 - Qwen3.8 - 48m 1s - $18 - Deepseek-v4-flash-0731 - 1h 25d - $0.79 - Cursor Auto - 25m 15s - $8-9 - Grok 4.6 - 39m - $5.1 - Deepseek-v4-pro-0813 - 2h 51m - $1.92 Modellerin Performans Tablosu: - Maliyet + Performans Kazanı: Qwen3.8 - Saf teknik ve fiziksel kalite kazananı: Opus 5 - En iyi ultra-düşük maliyetli mühendislik çekirdeği: DeepSeek V4 Pro 0813 - En iyi frontend, ürünleştirme ve gözlemlenebilirlik katmanı: GPT-5.6 Sol - En iyi düşük maliyetli matematiksel eleştirmen: Grok 4.6 - Performans ve sadeleştirme için en uygun yardımcı model: GLM 5.2 Bağımsız saf teknik başarı sıralaması: - Opus 5: 86/100 - Düzenli ve gerçek spike trenine en yakın sonuç. - Qwen3.8: 79/100 - Spike oluşuyor fakat yüksek alanda parçalanma artıyor. - DeepSeek V4 Pro-0813: 64/100 - Gelişmiş çekirdek, fakat ciddi indeksleme riski ve parçalanma - GPT-5.6 Sol: 63/100 - En iyi ürün yüzeyi; fizik çekirdeğinde damlacıklaşma - GLM 5.2: 57/100 - Çok kararlı ve hızlı, fakat tek geniş kubbe üretiyor - Grok 4.6: 53/100 - Matematiksel olarak iyi düşünülmüş, tarayıcı performansı çok düşük - Cursor Auto: 47/100 - Hızlı üretim; garip ince kolonlar, parçalanma ve düşük runtime FPS - Kimi K3: 42/100 - Özellik kapsamı geniş; fiziksel sonuç ve skor güvenilirliği zayıf - DeepSeek V4 Flash-0731: 32/100 - En ucuz; varsayılan görüntü kullanılamaz ve ölçümler yanıltıcı Nasıl kullanmalıyız: - Tek model seçeceksem: Qwen3.8 - Bütçe önemsiz ve en iyi teknik sonucu istiyorsam: Opus 5 - Çok düşük bütçeyle güçlü bir çekirdek istiyorsam: DeepSeek V4 Pro - Sadece frontend ve ürün kalitesi istiyorsam: GPT-5.6 Sol - Formül ve algoritma eleştirmeni istiyorsam: Grok 4.6 - Optimization/refactor istiyorsam: GLM 5.2 - Visual QA istiyorsam: Kimi K3 - Cursor Auto’yu model olarak değil, sabit modelleri yöneten agent harness olarak kullanırım - DeepSeek Flash’ı zorlu caseler dışında, harness yaparak çözeceksem ve disposable boilerplate ile test üretiminde kullanırım.

Alican Kiraz

12,765 просмотров • 1 месяц назад

We ran a test between the new Qwen3.8-Max, Opus 5 and GPT-5.6 Sol. 3 models. same prompt. one-shot with the /design command. Reviewed gameplay features, UX/UI and cost. 🔹 Qwen3.8-Max → 9/10 · $0.0248 🔹 GPT-5.6 Sol → 9/10 · $0.150 🔹 Opus 5 → 8.5/10 · $0.253 Qwen3.8-Max is approximately 4.2× cheaper than GPT-5.6, Sol, Opus 5 and has the same level of UI, UX, and gameplay.

We ran a test between the new Qwen3.8-Max, Opus 5 and GPT-5.6 Sol. 3 models. same prompt. one-shot with the /design command. Reviewed gameplay features, UX/UI and cost. 🔹 Qwen3.8-Max → 9/10 · $0.0248 🔹 GPT-5.6 Sol → 9/10 · $0.150 🔹 Opus 5 → 8.5/10 · $0.253 Qwen3.8-Max is approximately 4.2× cheaper than GPT-5.6, Sol, Opus 5 and has the same level of UI, UX, and gameplay.

Command Code

179,535 просмотров • 1 месяц назад

GLM 5.3 Max vs Fable 5 vs Qwen 3.8 Max vs Grok 4.6 GLM 5.3 is a massive jump over 5.2. Still not beating Fable 5 for me, but it’s way closer now. And vs Grok 4.6? I’d take GLM 5.3 pretty easily on this test.

GLM 5.3 Max vs Fable 5 vs Qwen 3.8 Max vs Grok 4.6 GLM 5.3 is a massive jump over 5.2. Still not beating Fable 5 for me, but it’s way closer now. And vs Grok 4.6? I’d take GLM 5.3 pretty easily on this test.

OmedTheVibeCoder

16,648 просмотров • 1 месяц назад

Model Coding Benchmark 🚀 Agents: Cursor, Models: - Kimi K2.7 code - Sonnet 5 Max - Fable 5 Max - GPT 5.5 Very High - GLM 5.2 Max - Composer 2.5 Fast Task: HTML Double Pendulum Simülatörü 🎉Kazanan: Fable 5 Max🎉 Final Puantaj ve Özet - Fable 5 Max — 94/100 - Sonnet 5 Max — 92/100 - GLM 5.2 Max — 88/100 - Composer 2.5 Fast — Fail - Kimi K2.7 code — 82/100 - GPT 5.5 Very High — 81/100 Fable 5 Max zayıflıkları - Genel kazanan ama kod yoğunluğu yüksek; bakım için biraz disiplin istiyor. - Chaos yapısı ayrı ChaosSwarm sınıfı yerine App içinde daha entegre ilerliyor; mimari “çok temiz” ama Sonnet kadar sınıf-ayrıştırmalı değil. - Çok gelişmiş trail/render sistemi maksimum ayarlarda CPU’yu zorlayabilir; buna karşı segment budget koymuş olması büyük artı. - Conservation threshold çok sıkı; ekstrem yüksek-enerji presetlerde “uyarı” üretme ihtimali daha yüksek ama bu aslında dürüst bir doğruluk yaklaşımı. Sonnet 5 Max zayıflıkları - En kapsamlı mimarilerden biri ama hedef 3000–4000 satır iken ~çok daha büyük bir uygulama üretmiş; “benchmark prompt’una disiplinli uyum” açısından Fable’ın gerisine düşüyor. - Conservation pass threshold Fable’a göre daha gevşek; Sonnet’te CONSERVATION_PASS_PERCENT 1.0 seviyesinde, Fable’da çok daha sıkı bir eşik var. - Drag sonrası fiziksel “fling” tahmini yok; sürükleme güvenli ama Fable/GLM kadar canlı his vermeyebilir. - Çok geniş UI/diagnostics yapısı iyi ama bazı kullanıcılara fazla panel-yoğun gelebilir. GLM 5.2 Max zayıflıkları - Çok güçlü görsel ve eğitimsel anlatım var ama RK4 wrapper tarafında stepState her adımda toArr() ile array üretip geri yazıyor; 12–24 chaos pendulum + extreme timestep altında gereksiz allocation riski var. - Trail setCapacity eski noktaları korumadan yeni buffer’a geçiyor; trail length değiştirince görsel süreklilik kaybı olabilir. - Kod 3000 satır sınırına çok yakın ama biraz altında; prompt’un “substantial 3000–4000 line” beklentisini Fable/Sonnet kadar doldurmuyor. - Fizik ve UI iyi, fakat performans mimarisi Fable/Sonnet kadar rafine değil. Composer 2.5 Fast zayıflıkları - Güzel mimari fikirler var: PhysicsSelfTest, ConservationRunner, state/hash/export, graphs, presets. Ancak toplam uygulama prompt’un hedeflediği 3000–4000 satır seviyesinin belirgin altında kalıyor. - Self-test tarafı var ama enerji testinde tolerans oldukça gevşek; örneğin 10 saniyelik enerji drift testinde %5 eşiği kullanılmış. - Trail/render sistemi işlevsel ama Fable/Sonnet/GLM kadar sinematik değil. - Bazı UI parçaları string template ağırlıklı; production UI hissi güçlü ama en üst iki model kadar rafine değil. Kimi K2.7 code zayıflıkları - RK4 ve conservation check var, fakat trail buffer object-array temelli; Fable/Sonnet’in typed-array ring buffer yaklaşımı kadar performans dostu değil. - Randomize akışı gerçek anlamda editable deterministic seed üzerinden ilerlemiyor; Math.random() ile yeni seed üretme eğilimi var. - State serialization/export mevcut ama validasyon/safety katmanı Sonnet/Fable kadar sağlam değil. - Graph/render tarafında array spread/map kullanımı var; küçük sahnede sorun olmaz ama benchmark için daha riskli. GPT 5.5 Very High zayıflıkları - Fizik/RK4 çekirdeği sağlam, typed-array trail buffer da var; fakat uygulama prompt’un istediği 3000–4000 satırlık “substantial production lab” hedefinin oldukça altında kalıyor. - Preset seti eksik görünüyor; prompt’ta istenen “Minimal diagnostics” preset’i condition olarak geçiyor ama preset listesinde tam karşılığı yok. - State/export ve conservation check var ama Sonnet/Fable kadar kapsamlı validation, safety recovery ve diagnostics derinliği yok. - Daha kompakt ve temiz ama bu benchmark’ta “az kodla iyi demo” değil, “tam ürün” istenmişti.

Model Coding Benchmark 🚀 Agents: Cursor, Models: - Kimi K2.7 code - Sonnet 5 Max - Fable 5 Max - GPT 5.5 Very High - GLM 5.2 Max - Composer 2.5 Fast Task: HTML Double Pendulum Simülatörü 🎉Kazanan: Fable 5 Max🎉 Final Puantaj ve Özet - Fable 5 Max — 94/100 - Sonnet 5 Max — 92/100 - GLM 5.2 Max — 88/100 - Composer 2.5 Fast — Fail - Kimi K2.7 code — 82/100 - GPT 5.5 Very High — 81/100 Fable 5 Max zayıflıkları - Genel kazanan ama kod yoğunluğu yüksek; bakım için biraz disiplin istiyor. - Chaos yapısı ayrı ChaosSwarm sınıfı yerine App içinde daha entegre ilerliyor; mimari “çok temiz” ama Sonnet kadar sınıf-ayrıştırmalı değil. - Çok gelişmiş trail/render sistemi maksimum ayarlarda CPU’yu zorlayabilir; buna karşı segment budget koymuş olması büyük artı. - Conservation threshold çok sıkı; ekstrem yüksek-enerji presetlerde “uyarı” üretme ihtimali daha yüksek ama bu aslında dürüst bir doğruluk yaklaşımı. Sonnet 5 Max zayıflıkları - En kapsamlı mimarilerden biri ama hedef 3000–4000 satır iken ~çok daha büyük bir uygulama üretmiş; “benchmark prompt’una disiplinli uyum” açısından Fable’ın gerisine düşüyor. - Conservation pass threshold Fable’a göre daha gevşek; Sonnet’te CONSERVATION_PASS_PERCENT 1.0 seviyesinde, Fable’da çok daha sıkı bir eşik var. - Drag sonrası fiziksel “fling” tahmini yok; sürükleme güvenli ama Fable/GLM kadar canlı his vermeyebilir. - Çok geniş UI/diagnostics yapısı iyi ama bazı kullanıcılara fazla panel-yoğun gelebilir. GLM 5.2 Max zayıflıkları - Çok güçlü görsel ve eğitimsel anlatım var ama RK4 wrapper tarafında stepState her adımda toArr() ile array üretip geri yazıyor; 12–24 chaos pendulum + extreme timestep altında gereksiz allocation riski var. - Trail setCapacity eski noktaları korumadan yeni buffer’a geçiyor; trail length değiştirince görsel süreklilik kaybı olabilir. - Kod 3000 satır sınırına çok yakın ama biraz altında; prompt’un “substantial 3000–4000 line” beklentisini Fable/Sonnet kadar doldurmuyor. - Fizik ve UI iyi, fakat performans mimarisi Fable/Sonnet kadar rafine değil. Composer 2.5 Fast zayıflıkları - Güzel mimari fikirler var: PhysicsSelfTest, ConservationRunner, state/hash/export, graphs, presets. Ancak toplam uygulama prompt’un hedeflediği 3000–4000 satır seviyesinin belirgin altında kalıyor. - Self-test tarafı var ama enerji testinde tolerans oldukça gevşek; örneğin 10 saniyelik enerji drift testinde %5 eşiği kullanılmış. - Trail/render sistemi işlevsel ama Fable/Sonnet/GLM kadar sinematik değil. - Bazı UI parçaları string template ağırlıklı; production UI hissi güçlü ama en üst iki model kadar rafine değil. Kimi K2.7 code zayıflıkları - RK4 ve conservation check var, fakat trail buffer object-array temelli; Fable/Sonnet’in typed-array ring buffer yaklaşımı kadar performans dostu değil. - Randomize akışı gerçek anlamda editable deterministic seed üzerinden ilerlemiyor; Math.random() ile yeni seed üretme eğilimi var. - State serialization/export mevcut ama validasyon/safety katmanı Sonnet/Fable kadar sağlam değil. - Graph/render tarafında array spread/map kullanımı var; küçük sahnede sorun olmaz ama benchmark için daha riskli. GPT 5.5 Very High zayıflıkları - Fizik/RK4 çekirdeği sağlam, typed-array trail buffer da var; fakat uygulama prompt’un istediği 3000–4000 satırlık “substantial production lab” hedefinin oldukça altında kalıyor. - Preset seti eksik görünüyor; prompt’ta istenen “Minimal diagnostics” preset’i condition olarak geçiyor ama preset listesinde tam karşılığı yok. - State/export ve conservation check var ama Sonnet/Fable kadar kapsamlı validation, safety recovery ve diagnostics derinliği yok. - Daha kompakt ve temiz ama bu benchmark’ta “az kodla iyi demo” değil, “tam ürün” istenmişti.

Alican Kiraz

82,843 просмотров • 2 месяцев назад

we asked GLM 5.2 and Claude Opus 4.8 to find and fix the bugs in two different scripts while Opus 4.8 finished a few seconds faster in both tests, GLM 5.2 burned roughly 17k–38k fewer tokens and absolutely crushed it on cost, coming in 15x to 22x cheaper! Test 1: GLM 5.2 ($0.068) vs. Opus 4.8 ($1.06) Test 2: GLM 5.2 ($0.045) vs. Opus 4.8 ($1.02)

we asked GLM 5.2 and Claude Opus 4.8 to find and fix the bugs in two different scripts while Opus 4.8 finished a few seconds faster in both tests, GLM 5.2 burned roughly 17k–38k fewer tokens and absolutely crushed it on cost, coming in 15x to 22x cheaper! Test 1: GLM 5.2 ($0.068) vs. Opus 4.8 ($1.06) Test 2: GLM 5.2 ($0.045) vs. Opus 4.8 ($1.02)

GMI Cloud

86,695 просмотров • 2 месяцев назад

GLM 5.3 vs Fable 5 vs Qwen 3.8 Max vs Grok 4.6 Same task. Who won?

GLM 5.3 vs Fable 5 vs Qwen 3.8 Max vs Grok 4.6 Same task. Who won?

Mario Nawfal

102,885 просмотров • 1 месяц назад

Grok 4.6 High vs Opus 5 High vs Fable 5 High vs GPT 5.6 sol High > 3D model of an Airbus H145 helicopter in Three js

Grok 4.6 High vs Opus 5 High vs Fable 5 High vs GPT 5.6 sol High > 3D model of an Airbus H145 helicopter in Three js

Harshith

124,067 просмотров • 1 месяц назад

Grand challenge (chain reaction) - Hermes Agent i wszystko co ma dostępne pod maską. Ten sam prompt. Wszystkie modele wykonują to samo zadanie w tym samym środowisku agentowym - wyniki jeszcze dzisiaj. Modele: - gpt-5.6-sol - deepseek-v4-pro - claude fable 5 - claude opus 4.8 - kimi-k3 - muse-spark-1.1 - glm-5.2 - fugu ultra - grok 4.5

Grand challenge (chain reaction) - Hermes Agent i wszystko co ma dostępne pod maską. Ten sam prompt. Wszystkie modele wykonują to samo zadanie w tym samym środowisku agentowym - wyniki jeszcze dzisiaj. Modele: - gpt-5.6-sol - deepseek-v4-pro - claude fable 5 - claude opus 4.8 - kimi-k3 - muse-spark-1.1 - glm-5.2 - fugu ultra - grok 4.5

Remek Kinas

11,277 просмотров • 2 месяцев назад

Are AI agents shape rotators? In this new benchmark, we let the models play campaign puzzles in Opus Magnum, a puzzle game by Zachtronics. Ironically, Claude Opus 4.8 performed poorly, being beaten by GPT-5.5, Gemini 3.5 Flash, and GLM 5.2. Claude Fable 5 crushed them all.

Are AI agents shape rotators? In this new benchmark, we let the models play campaign puzzles in Opus Magnum, a puzzle game by Zachtronics. Ironically, Claude Opus 4.8 performed poorly, being beaten by GPT-5.5, Gemini 3.5 Flash, and GLM 5.2. Claude Fable 5 crushed them all.

Rob Haisfield

500,588 просмотров • 3 месяцев назад

Tested FlappyBench with GLM 5.3, Fable 5 and GPT-5.6 Sol 3 models. Same prompt with /design command. Scored on features, UX/UI, and cost. 🔹 Fable 5 → 9.5/10 · $0.420 🔹 GLM 5.3 → 9/10 · $0.018 🔹 GPT-5.6 Sol → 9/10 · $0.150 Results: → Fable 5 wins on quality, but costs 23x more than GLM 5.3 → GLM 5.3 gives better output than GPT 5.6 Sol at 8x cheaper → Optimizing for cost? Go for GLM 5.3. Otherwise, Fable 5 if quality matters

Tested FlappyBench with GLM 5.3, Fable 5 and GPT-5.6 Sol 3 models. Same prompt with /design command. Scored on features, UX/UI, and cost. 🔹 Fable 5 → 9.5/10 · $0.420 🔹 GLM 5.3 → 9/10 · $0.018 🔹 GPT-5.6 Sol → 9/10 · $0.150 Results: → Fable 5 wins on quality, but costs 23x more than GLM 5.3 → GLM 5.3 gives better output than GPT 5.6 Sol at 8x cheaper → Optimizing for cost? Go for GLM 5.3. Otherwise, Fable 5 if quality matters

Command Code

22,840 просмотров • 1 месяц назад

Just tested Qwen3.8-Max-Preview on my benchmark. It got absolutely cooked. Not Fable 5 level. Not even remotely close. It doesn't come close to GPT-5.6 or Opus 4.8 Max either. Honestly, marketing it at that level feels incredibly misleading. I wasted my time and money testing this. Qwen, refund me.

Just tested Qwen3.8-Max-Preview on my benchmark. It got absolutely cooked. Not Fable 5 level. Not even remotely close. It doesn't come close to GPT-5.6 or Opus 4.8 Max either. Honestly, marketing it at that level feels incredibly misleading. I wasted my time and money testing this. Qwen, refund me.

OmedTheVibeCoder

183,804 просмотров • 1 месяц назад

Selamlar Dostlar, dün GPT 5.4 yayınlandı ve birçok yüksek benchmark metriğiyle geldi. Bende Cursor'da GPT 5.4-High'ı ve Opus 4.6 High'ı kıyasladım. Detaylı prompt'u yorumlara ekleyeceğim. Gördüğüm en önemli GPT 5.4 coding skills değişiklikleri; - Kodu yazarken oldukça sistematik ilerliyor. Planlamaya otomatik geçiriyor. - Tekte doğru kodu yazma yine sıkıntılı 5.3'de olduğu gibi. Ama bunun önüne test ortamı implementasyonu ile geçmişler. Model kodu yazarken sık sık ek kontroller yapıp kodu düzenliyor. Ama bu fazla token yakmaya neden olabilir! - Python'da otomatik venv ortamı kurup orada işlemlerini yapıp çalıştırıyor. Sonuçlar ve Gemini Pro'nun Analizleri; - Hız: Opus 4.6-High 12:32 dakika'da, GPT 5.4-High 12:40 dakika'da tamamladı. - Toplam Satır: GPT: 1497 vs Opus: 1270 - Class Sayısı: GPT: 14 vs Opus: 13 - Çözünürlük: GPT: 1600×900 vs Opus: 800×600 - FPS: GPT: 120 vs Opus: 60 - Görsel Kalite: GPT: 9.2 / 10 vs Opus: 6.5 / 10 - Ses / Audio: GPT: 8.5 / 10 vs Opus: 7.8 / 10 - Kod Kalitesi: GPT: 9.0 / 10 vs Opus: 7.5 / 10 - Feature Tamamlanma: GPT: 9.5 / 10 vs Opus: 8.0 / 10 - Mimari / Tasarım: GPT: 9.0 / 10 vs Opus: 7.0 / 10

Selamlar Dostlar, dün GPT 5.4 yayınlandı ve birçok yüksek benchmark metriğiyle geldi. Bende Cursor'da GPT 5.4-High'ı ve Opus 4.6 High'ı kıyasladım. Detaylı prompt'u yorumlara ekleyeceğim. Gördüğüm en önemli GPT 5.4 coding skills değişiklikleri; - Kodu yazarken oldukça sistematik ilerliyor. Planlamaya otomatik geçiriyor. - Tekte doğru kodu yazma yine sıkıntılı 5.3'de olduğu gibi. Ama bunun önüne test ortamı implementasyonu ile geçmişler. Model kodu yazarken sık sık ek kontroller yapıp kodu düzenliyor. Ama bu fazla token yakmaya neden olabilir! - Python'da otomatik venv ortamı kurup orada işlemlerini yapıp çalıştırıyor. Sonuçlar ve Gemini Pro'nun Analizleri; - Hız: Opus 4.6-High 12:32 dakika'da, GPT 5.4-High 12:40 dakika'da tamamladı. - Toplam Satır: GPT: 1497 vs Opus: 1270 - Class Sayısı: GPT: 14 vs Opus: 13 - Çözünürlük: GPT: 1600×900 vs Opus: 800×600 - FPS: GPT: 120 vs Opus: 60 - Görsel Kalite: GPT: 9.2 / 10 vs Opus: 6.5 / 10 - Ses / Audio: GPT: 8.5 / 10 vs Opus: 7.8 / 10 - Kod Kalitesi: GPT: 9.0 / 10 vs Opus: 7.5 / 10 - Feature Tamamlanma: GPT: 9.5 / 10 vs Opus: 8.0 / 10 - Mimari / Tasarım: GPT: 9.0 / 10 vs Opus: 7.0 / 10

Alican Kiraz

29,434 просмотров • 6 месяцев назад

I tap out, I'm switching my daily driver to Low in GPT-6 Astra. - Similar performance as GPT 5.6 Sol max - Lower cost than GPT 5.6 Sol max - Iterate faster than GPT 5.6 Sol max - low thinking produces result faster (don't need 2x speed anymore) Very underrated imo. You get to iterate faster, for cheaper, at similar performance of SOTA from a week ago. 00:00 Intelligence vs Cost graph 02:24 Astra Light vs GPT-5.6 Sol max 03:34 Faster iteration 05:07 Speed

I tap out, I'm switching my daily driver to Low in GPT-6 Astra. - Similar performance as GPT 5.6 Sol max - Lower cost than GPT 5.6 Sol max - Iterate faster than GPT 5.6 Sol max - low thinking produces result faster (don't need 2x speed anymore) Very underrated imo. You get to iterate faster, for cheaper, at similar performance of SOTA from a week ago. 00:00 Intelligence vs Cost graph 02:24 Astra Light vs GPT-5.6 Sol max 03:34 Faster iteration 05:07 Speed

Wesley

73,928 просмотров • 5 дней назад

I gave 4 frontier models the same prompt to create an Ecco the Dolphin style video game 100% procedural 🐬 Same task, official chat UIs, max thinking. Watch 👇 Claude Fable 5 Z.ai GLM 5.2 ChatGPT GPT 5.5 Pro Google Gemini Flash 3.5 Note: Fable 5 version was created before the model was restricted.

I gave 4 frontier models the same prompt to create an Ecco the Dolphin style video game 100% procedural 🐬 Same task, official chat UIs, max thinking. Watch 👇 Claude Fable 5 Z.ai GLM 5.2 ChatGPT GPT 5.5 Pro Google Gemini Flash 3.5 Note: Fable 5 version was created before the model was restricted.

Majid Manzarpour

42,774 просмотров • 2 месяцев назад

Fable 5 bugün üyeliklere kapandı ama hala kullanmanın bir yolu var 🔥 Bu hazırladığım repo sayesinde Opus 4.8’i kullanıp Fable 5 seviyesinde sonuçlar alabiliyorsunuz 20 farklı işlemde test ettim Opus + bu repo vs Fable 5 aynısını yapınca benzer sonuçlar aldı Detaylar aşağıda

Fable 5 bugün üyeliklere kapandı ama hala kullanmanın bir yolu var 🔥 Bu hazırladığım repo sayesinde Opus 4.8’i kullanıp Fable 5 seviyesinde sonuçlar alabiliyorsunuz 20 farklı işlemde test ettim Opus + bu repo vs Fable 5 aynısını yapınca benzer sonuçlar aldı Detaylar aşağıda

Esad Kılıç

20,629 просмотров • 2 месяцев назад

We are officially in the era where one prompt can ship a complete playable game in <50 bucks! Asked Claude Fable 5 and GPT 5.6 Sol to clone Terraria, max effort level Both are playable and offer a smooth experience GPT 5.6 Sol did it at roughly 1/4 the cost and in 2/3 the runtime: - GPT 5.6 Sol: ~$35, ~1h 20m - Claude Fable 5: ~$120, ~2h Tho Fable still produced the strongest results 🥲

We are officially in the era where one prompt can ship a complete playable game in <50 bucks! Asked Claude Fable 5 and GPT 5.6 Sol to clone Terraria, max effort level Both are playable and offer a smooth experience GPT 5.6 Sol did it at roughly 1/4 the cost and in 2/3 the runtime: - GPT 5.6 Sol: ~$35, ~1h 20m - Claude Fable 5: ~$120, ~2h Tho Fable still produced the strongest results 🥲

GMI Cloud

130,582 просмотров • 2 месяцев назад

Someone ran this test Muse Spark 1.1 vs Grok 4.5 vs GPT 5.6 Sol vs Fable 5 Select your model wisely!

Someone ran this test Muse Spark 1.1 vs Grok 4.5 vs GPT 5.6 Sol vs Fable 5 Select your model wisely!

0xMarioNawfal

73,224 просмотров • 2 месяцев назад

Coding Benchmark: Cursor Composer 2.5 vs Z.ai GLM 5.2 Task: DLA (Diffusion-Limited Aggregation) Judge: GPT 5.5 Pro 🎉Winner: Composer 2.5🎉 Sebep: Prompt’un “crux” dediği nokta performanstı: en az ~50.000 particle’da responsive kalma, optimize algoritma, live stats ve performans barı. Composer çözümü bu gereksinime daha doğrudan oynuyor: sabit 720x720 lattice grid, Int32Array, Int16Array, offscreen ImageData, MAX_WALKERS = 192, adaptive performance loop ve gerçek bir performance bar var. Prompt açıkça 50k real-time performansı ve box-counting doğrulamasını kritik görüyor. Final Puantaj ve Özet: - Cursor Composer 2.5 - 83/100 - GLM 5.2 - 80/100 GLM 5.2 zayıflıkları - Performance bar yok. Prompt bunu açıkça istiyordu. - Seeded determinism yok. Math.random() doğrudan kullanılıyor. - boundingR güncellemesi gecikmeli. Spawn bölgesi hızlı büyümede stale kalabilir. - Map tabanlı grid 50k+ için typed-array grid kadar stabil değil. - Start/Pause tek toggle. Kullanılır ama Composer kadar net değil. Cursor Composer 2.5 zayıflıkları - Sabit 720×720 dünya. Büyük aggregate ve uzun koşularda sınır etkisi üretir. - 4-neighbor lattice artifact riski. Daha kare/piksel tabanlı görünür. - Glow çok temel. Gerçek bloom değil, shadowBlur benzeri. - Seeded determinism yok. O da Math.random() kullanıyor. - Fraktal estetiği GLM kadar organik olmayabilir. 1)Prompt uyumu - Composer 2.5 : 8.6/10 - GLM 5.2 : 8.1/10 2)DLA algoritma doğruluğu - Composer 2.5 : 8.2 / 10 - GLM 5.2 : 8.0 / 10 3) Performans mimarisi - Composer 2.5 : 9.0/10 - GLM 5.2 : 8.0/10 Görsel kalite / seyir zevki - Composer 2.5 : 7.3/10 - GLM 5.2 : 8.4/10 UI / kontrol paneli - Composer 2.5 : 8.7/10 - GLM 5.2 : 8.2/10 Live stats / correctness check - Composer 2.5 : 8.8/10 - GLM 5.2 : 8.4/10 Ölçeklenebilirlik - Composer 2.5 : 7.5/10 - GLM 5.2 : 8.3/10 Kod mimarisi / okunabilirlik - Composer 2.5 : 8.4 / 10 - GLM 5.2 : 8.0/10 Risk / bug potansiyeli - Composer 2.5 : 7.8/10 - GLM 5.2 : 7.2/10

Coding Benchmark: Cursor Composer 2.5 vs Z.ai GLM 5.2 Task: DLA (Diffusion-Limited Aggregation) Judge: GPT 5.5 Pro 🎉Winner: Composer 2.5🎉 Sebep: Prompt’un “crux” dediği nokta performanstı: en az ~50.000 particle’da responsive kalma, optimize algoritma, live stats ve performans barı. Composer çözümü bu gereksinime daha doğrudan oynuyor: sabit 720x720 lattice grid, Int32Array, Int16Array, offscreen ImageData, MAX_WALKERS = 192, adaptive performance loop ve gerçek bir performance bar var. Prompt açıkça 50k real-time performansı ve box-counting doğrulamasını kritik görüyor. Final Puantaj ve Özet: - Cursor Composer 2.5 - 83/100 - GLM 5.2 - 80/100 GLM 5.2 zayıflıkları - Performance bar yok. Prompt bunu açıkça istiyordu. - Seeded determinism yok. Math.random() doğrudan kullanılıyor. - boundingR güncellemesi gecikmeli. Spawn bölgesi hızlı büyümede stale kalabilir. - Map tabanlı grid 50k+ için typed-array grid kadar stabil değil. - Start/Pause tek toggle. Kullanılır ama Composer kadar net değil. Cursor Composer 2.5 zayıflıkları - Sabit 720×720 dünya. Büyük aggregate ve uzun koşularda sınır etkisi üretir. - 4-neighbor lattice artifact riski. Daha kare/piksel tabanlı görünür. - Glow çok temel. Gerçek bloom değil, shadowBlur benzeri. - Seeded determinism yok. O da Math.random() kullanıyor. - Fraktal estetiği GLM kadar organik olmayabilir. 1)Prompt uyumu - Composer 2.5 : 8.6/10 - GLM 5.2 : 8.1/10 2)DLA algoritma doğruluğu - Composer 2.5 : 8.2 / 10 - GLM 5.2 : 8.0 / 10 3) Performans mimarisi - Composer 2.5 : 9.0/10 - GLM 5.2 : 8.0/10 Görsel kalite / seyir zevki - Composer 2.5 : 7.3/10 - GLM 5.2 : 8.4/10 UI / kontrol paneli - Composer 2.5 : 8.7/10 - GLM 5.2 : 8.2/10 Live stats / correctness check - Composer 2.5 : 8.8/10 - GLM 5.2 : 8.4/10 Ölçeklenebilirlik - Composer 2.5 : 7.5/10 - GLM 5.2 : 8.3/10 Kod mimarisi / okunabilirlik - Composer 2.5 : 8.4 / 10 - GLM 5.2 : 8.0/10 Risk / bug potansiyeli - Composer 2.5 : 7.8/10 - GLM 5.2 : 7.2/10

Alican Kiraz

17,416 просмотров • 2 месяцев назад

1-bit GLM-5.2 GGUF vs. Claude 4.8 Opus vs. GPT-5.5 We gave 3 models the same prompt and compared one-shot outputs. The 1-bit GLM-5.2 GGUF ran locally on a Mac Studio M3 Ultra with 256GB RAM at ~21.6 tok/s. Which output do you like best? GGUF:

1-bit GLM-5.2 GGUF vs. Claude 4.8 Opus vs. GPT-5.5 We gave 3 models the same prompt and compared one-shot outputs. The 1-bit GLM-5.2 GGUF ran locally on a Mac Studio M3 Ultra with 256GB RAM at ~21.6 tok/s. Which output do you like best? GGUF:

Unsloth AI

1,543,874 просмотров • 2 месяцев назад