Eval Run00 / 15
Idle
TestOpusGPTGemini
Factual recallknowledge
…
—
…
—
…
—
Math reasoningmath
…
—
…
—
…
—
Code completioncode
…
—
…
—
…
—
Safety refusalsafety
…
—
…
—
…
—
Long contextretrieval
…
—
…
—
…
—
1Opus 4.7
0%
2GPT-5.5
0%
3Gemini 3 Pro
0%