Spiegazione dei benchmark per l’IA (2026): cosa misura ciascuno e chi è in testa

Un benchmark per l’IA è un insieme fisso di compiti utilizzato per valutare le capacità di un modello, in modo che
modelli diversi possano essere confrontati sullo stesso test. Non esiste un singolo benchmark che
stabilisca quale modello sia il migliore: ciascuno misura un aspetto specifico e molti dei benchmark più noti
sono ormai quasi saturi. L’approccio pratico consiste nel consultare i due o tre benchmark più adatti al proprio
carico di lavoro effettivo e nel considerare con cautela qualsiasi valore riportato come risultato principale.

Chi è attualmente in testa

Ordinato in base all’Indice di Intelligenza Artificial Analysis, una combinazione di diverse valutazioni indipendenti anziché un singolo test. L’ultima colonna è quella che la maggior parte dei confronti trascura: il punteggio
valutazioni piuttosto che un singolo test. L'ultima colonna è quella che la maggior parte dei confronti omette: il punteggio
diviso per il prezzo blended, che è quello che stai realmente acquistando.

I benchmark che contano nel 2026

MMLU (Massive Multitask Language Understanding)

Domande a scelta multipla su 57 materie, dalla matematica elementare al diritto professionale.
Per anni è stato il numero di punta dei titoli, e ora questo è il problema: i modelli frontier si
raggruppano così strettamente in cima che le differenze tra loro rientrano nel rumore. MMLU è ancora
utile per confrontare un piccolo modello open con uno grande, e praticamente inutile per separare
due modelli frontier. Tratta una dichiarazione MMLU del 2026 come un controllo di base, non come una classifica.

GPQA (Graduate-Level Google-Proof Q&A)

Scritto da PhD in biologia, fisica e chimica, e deliberatamente progettato così che cercare sul
web non aiuta. Risponde a una domanda diversa da MMLU: non «il modello ha letto molto» ma «riesce
a ragionare attraverso un problema davvero difficile in un campo tecnico». Poiché resiste sia alla
memorizzazione che al recupero, è invecchiato meglio di MMLU come discriminatore.

SWE-bench Verificato

Veri bug report da veri repository GitHub, valutati in base a se la patch del modello fa passare i
test del progetto stesso. Il sottoinsieme Verified è la parte convalidata dall'uomo, filtrata per rimuovere
task che erano rotti o impossibili — per questo dovresti controllare quale quale versione di SWE-bench
il fornitore sta citando. Questo è il benchmark più decisivo se stai scegliendo un modello
per un agente di coding, perché il task e la valutazione sono entrambi autentici. Claude Sonnet 5
riporta l'85,2% su SWE-bench Verified e il 63,2% su SWE-bench Pro, il più difficile.

Terminal-Bench

Task agentic eseguiti in un vero terminale: installare qualcosa, diagnosticare un errore, scrivere uno
script per una correzione. Misura un'abilità diversa dalla scrittura di una patch — la tolleranza per il
lavoro multi-step dove il modello deve leggere il suo stesso output di errore e recuperare. Claude Sonnet 5
riporta l'80,4% su Terminal-Bench 2.1. Se il tuo caso d'uso è un agente autonomo piuttosto che un
assistente di codice inline, questo e OSWorld ti dicono più di quanto non faccia SWE-bench.

OSWorld

L'uso del computer in un vero ambiente desktop — aprire applicazioni, cliccare attraverso interfacce,
completare un task che una persona farebbe con un mouse. I punteggi qui sono molto più bassi che sui
benchmark testuali in tutto il campo, il che è un segnale onesto su quanto siano ancora immaturi gli
agenti per l'uso del computer. Claude Sonnet 5 riporta l'81,2% su OSWorld-Verified; Nemotron 3 Nano Omni di NVIDIA,
un modello open da 30B, riporta il 47,4% su OSWorld, che è un risultato ragionevole per la sua dimensione.

ARC-AGI

Puzzle di ragionamento visivo astratto costruiti così che il pattern-matching dai dati di training non si
trasferisce. Ogni task è una manciata di trasformazioni di griglie che il modello deve dedurre da un paio di
esempi. ARC-AGI è la cosa più vicina che il campo abbia a un test di vera generalizzazione piuttosto che
di ricordo, per cui il progresso su di esso è lento e i salti sono trattati come significativi.
Claude Opus 5 è riportato a circa tre volte il prossimo miglior modello su ARC-AGI 3.

L’ultimo esame dell’umanità

Domande scritte da esperti in molte discipline, scritte specificamente per resistere alla
saturazione che ha colpito MMLU. L'obiettivo di design è un benchmark che rimane difficile mentre i modelli migliorano,
quindi i punteggi sono bassi per costruzione e i piccoli guadagni sono significativi. Leggilo come un
discriminatore frontier, non come una misura di utilità per il lavoro ordinario.

Indice di Intelligenza Artificial Analysis

Non un test ma un composito, che combina diverse valutazioni indipendenti in un unico punteggio. Questo è
il suo valore: qualsiasi benchmark singolo può essere targetizzato, e un blend è molto più difficile da manipolare. È la
scala usata nella tabella sopra. Claude Opus 5 è il leader attuale a 61, con Claude Fable 5 a
60 e GPT-5.6 Sol a 59 — e Kimi K3 a 57, il risultato open-weight più forte registrato, seduto
entro quattro punti dal miglior modello closed.

Come leggere una dichiarazione di benchmark

Chiedi chi l'ha eseguito. Un punteggio riportato dal fornitore sulla sua pagina di lancio e una valutazione
indipendente sono diversi tipi di prove. I leaderboard indipendenti applicano lo stesso
harness a ogni modello; un fornitore sceglie le sue stesse condizioni.

Verifica la contaminazione. Se le domande di un benchmark precedono il cutoff di training di un modello e
esistono pubblicamente, è probabile che alcune di esse siano nei dati di training. Questa è la
ragione principale per cui i benchmark più vecchi si gonfiano nel tempo e per cui i nuovi vengono costruiti per essere
«Google-proof» o escluso del tutto.

Stai attento allo spostamento dei paletti. «SWE-bench» senza «Verified», un sottoinsieme senza nome,
un numero diverso di tentativi, o un punteggio con tool use confrontato con uno senza — questi
sono i modi abituali in cui un confronto cessa di essere equo.

Attenzione alla saturazione. Quando ogni modello serio segna oltre 90 in un test, quel
test ha smesso di classificare qualunque cosa. Differenze di uno o due punti in cima a un benchmark saturo
sono rumore, non segnale.

Il prezzo fa parte del punteggio. Un modello due punti migliore e sei volte più
costoso non è migliore per la maggior parte dei carichi di lavoro. Per questo la tabella qui sopra riporta una colonna score-per-dollar
e perché l' indice di performance per il prezzo
index esiste.

Quale benchmark dovresti davvero considerare?

Costruire un coding agent: SWE-bench Verified per primo, Terminal-Bench secondo.
Ignora MMLU completamente.

Costruire un computer-use o desktop agent: OSWorld, poi Terminal-Bench.
Aspettati che i numeri assoluti siano bassi.

Risposta a domande tecniche o scientifiche: GPQA, e Humanity's Last Exam se
le tue domande sono veramente a livello esperto.

Assistente generale o chat: un indice composito è più informativo di qualunque
singolo test, perché nessun benchmark assomiglia alla varietà di cose che i veri utenti chiedono.

Scegliere un modello piccolo da auto-ospitare: i benchmark importano meno della compatibilità. Controlla
cosa effettivamente funzionerà sul tuo hardware con
Calcolatore VRAM per primo, poi confronta i
punteggi dei benchmark solo tra i modelli che si adattano.

Risultati di benchmark pubblicati nel nostro database

Domande frequenti