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%