UniAIBenchbenchmark di ricerca
ENIT
Menu
Benchmark universitario · Matematica e fisica

Modelli di IA alla provasu matematica e fisica avanzate.

Codice sorgenteUniAIBench

UniAIBench confronta 21 configurazioni modello-modalità sugli stessi 60 problemi universitari avanzati di Analisi Matematica III e Fisica Generale II, misurando correttezza, tempo di risposta, costo e uso dei token.

21 configurazioni di IA, testate sugli stessi 60 problemi universitari di Analisi Matematica III e Fisica Generale II. Confronta correttezza, tempo, costo e uso dei token.

Crea la tua classifica ↓Esplora il paper PDF ↗
Perché il paper include 14 configurazioni?

Il paper resta uno snapshot congelato al 14 agosto 2026. Il benchmark live ha aggiunto in seguito Mistral Medium 3.5, Mistral Small 4 e DeepSeek V4.1 Flash; GPT-6.1 Sol, GPT-6 Luna, Claude Opus 5.5 e Claude Sonnet 5.5 sono entrati il 15 ottobre 2026. Le tabelle correnti e l’Atlante includono tutte le 21 configurazioni.

21configurazioni modello-modalitàconfigurazioni60esercizi universitari avanzatiesercizi2materie: matematica + fisicamaterie4metriche decisionalimetrics
Artistic representation of the AI models evaluated by UniAIBench, including the Sol sun, DeepSeek whale, Fable storybook, Mistral logo and provider symbols
UniAIBenchBenchmark di ricerca
Esplora i risultati ↓
01

Parametri

Imposta le priorità

La somma dei pesi è sempre pari al 100%. Modificandone uno, il valore restante viene redistribuito automaticamente tra le altre metriche.

Ambito di valutazioneTutte le materie
Profili predefiniti
Accuratezza

Peso assegnato alla correttezza nel benchmark.

Come influisce sulla classifica?
Media priority. L’accuratezza conta, ma costo o latenza possono compensare piccoli divari di punteggio.
Latenza

Peso assegnato al tempo di risposta.

Come influisce sulla classifica?
Bassa priority. La latenza ha un’influenza limitata.
Costo

Peso assegnato al costo per risposta.

Come influisce sulla classifica?
Bassa priority. Il costo ha un’influenza limitata.
Token totali

Peso assegnato all’uso totale di token nell’ambito di esercizi selezionato.

Come influisce sulla classifica?
Bassa priority. L’uso dei token ha un’influenza limitata.
Pesi del punteggioAccuratezza 50%Latenza 25%Costo 25%Token 0%Totale: 100%
Come viene calcolato il punteggio?Apri il metodo a quattro metriche

Punteggio composito

Quattro misure confluiscono in una classifica specifica per lo scenario.

Il punteggio combina l’accuratezza nel benchmark con valori più bassi di latenza, costo e uso dei token. Cambia al variare delle priorità; le misure sottostanti restano invariate.

01Misura

Utilizza l’accuratezza nella materia selezionata, la latenza mediana, il costo medio per risposta e l’uso totale dei token.

02Normalizza

Converte ogni metrica su una scala 0–1 tra i modelli inclusi. Il valore uno corrisponde sempre al miglior risultato osservato.

03Pesa e combina

Applica le percentuali mostrate in una media geometrica ponderata, così una metrica debole ma molto pesata non può essere completamente mascherata.

Calcolo correnteS = 100 × Q0.50 × L0.25 × C0.25 × R0.00Q accuratezza · L latenza · C costo · R token

Relativo, non assoluto. Un punteggio di 80 non equivale all’80% di correttezza: è un risultato composito relativo a questo insieme di modelli.

Per le risorse, valori inferiori sono migliori. Latenza, costo e token vengono invertiti durante la normalizzazione. Si applica un minimo di 0,01 affinché la media geometrica resti definita.

02

Risultato ponderato · Tutte le materie

Classifica dello scenario

Punteggio composito più alto nello scenario corrente
A

Claude Sonnet 5.5

Anthropic

Criterio di selezione

Punteggio composito più alto con i pesi correnti.
Punteggio95.3/ 100

La classifica cambia con i pesi selezionati e non dimostra una superiorità statistica.

Indice composito

Classifica complessiva

21 configurazioni
Selezionato per il confronto · 3/4GPT-5.6 Sol · Gemini 3.5 Flash · DeepSeek V4 Flash (no thinking)
Apri nel Playground →

Criterio di base

Classifica per accuratezza

Media · un valore superiore è migliore
01Claude Opus 5.5
99.1%
02GPT-6.1 Sol
99.1%
03GPT-5.6 Sol
98.7%
04Claude Sonnet 5.5
98.7%
05GPT-6 Luna
98.5%
06Claude Fable 5
98.0%
07DeepSeek V4 Flash
97.2%
08DeepSeek V4.1 Flash
97.2%
09Gemini 3.1 Pro Preview
97.0%
10Gemini 3.5 Flash
96.9%
11DeepSeek V4 Pro
96.7%
12Grok 4.5
94.6%
13OpenAI o3
92.8%
14Mistral Medium 3.5
87.1%
15DeepSeek V4 Flash (no thinking)
86.3%
16Gemma 4 31B IT
85.6%
17Mistral Small 4
85.6%
18Grok 4.3
85.2%
19OpenAI GPT-4.1
71.6%
20Claude Sonnet 4.5
70.9%
21Claude Haiku 4.5
64.8%

Criterio di base

Classifica per costo

Media in USD · un valore inferiore è migliore
01Gemma 4 31B IT
$0.0000
02DeepSeek V4 Flash (no thinking)
$0.0020
03GPT-6 Luna
$0.0058
04DeepSeek V4 Flash
$0.0064
05Mistral Small 4
$0.011
06DeepSeek V4 Pro
$0.015
07Claude Haiku 4.5
$0.020
08DeepSeek V4.1 Flash
$0.026
09Grok 4.3
$0.026
10OpenAI GPT-4.1
$0.038
11Claude Sonnet 4.5
$0.041
12Grok 4.5
$0.054
13Claude Sonnet 5.5
$0.056
14OpenAI o3
$0.082
15GPT-6.1 Sol
$0.091
16Gemini 3.1 Pro Preview
$0.131
17Gemini 3.5 Flash
$0.142
18Claude Opus 5.5
$0.146
19Mistral Medium 3.5
$0.147
20Claude Fable 5
$0.382
21GPT-5.6 Sol
$0.463

Criterio di base

Classifica per latenza

Mediana · un valore inferiore è migliore
01Claude Haiku 4.5
24.6s
02Claude Sonnet 5.5
34.8s
03DeepSeek V4 Flash (no thinking)
36.6s
04Claude Sonnet 4.5
37.4s
05OpenAI GPT-4.1
39.1s
06Claude Opus 5.5
61.0s
07Gemini 3.5 Flash
61.2s
08OpenAI o3
70.2s
09Grok 4.3
73.7s
10Gemma 4 31B IT
74.8s
11Mistral Small 4
77.6s
12Claude Fable 5
83.5s
13Mistral Medium 3.5
91.1s
14DeepSeek V4.1 Flash
92.2s
15GPT-6 Luna
95.0s
16Grok 4.5
113.8s
17Gemini 3.1 Pro Preview
114.7s
18GPT-6.1 Sol
172.9s
19DeepSeek V4 Flash
188.0s
20DeepSeek V4 Pro
202.4s
21GPT-5.6 Sol
307.0s

Criterio di base

Classifica per token

Totale nell’ambito selezionato · un valore inferiore è migliore
01Claude Sonnet 4.5
202.0k
02Gemma 4 31B IT
209.2k
03Claude Haiku 4.5
278.9k
04OpenAI GPT-4.1
311.4k
05Claude Sonnet 5.5
386.6k
06DeepSeek V4 Flash (no thinking)
443.5k
07Claude Opus 5.5
486.6k
08Claude Fable 5
507.4k
09Grok 4.5
576.2k
10GPT-6.1 Sol
576.8k
11OpenAI o3
644.1k
12Grok 4.3
656.1k
13Gemini 3.1 Pro Preview
689.6k
14GPT-6 Luna
732.0k
15GPT-5.6 Sol
958.9k
16Gemini 3.5 Flash
976.2k
17DeepSeek V4 Pro
1066.4k
18Mistral Small 4
1089.5k
19Mistral Medium 3.5
1208.3k
20DeepSeek V4.1 Flash
1331.3k
21DeepSeek V4 Flash
1395.8k
03

Panel comune certificato

Evidenze del benchmark

Otto viste dedicate a correttezza, costo, token e tempo di risposta. Tutte utilizzano lo stesso panel abbinato di 21 configurazioni × 60 esercizi.

Correttezza

Accuratezza media e incertezza

Punto = media · linea = IC bootstrap al 95%

Macromedia complessiva; ogni esercizio ha lo stesso peso. La scala focalizzata 50–100% conserva le differenze tra i modelli con prestazioni elevate.

Profilo di correttezza

Prestazioni nelle dimensioni T1–T8

Cella = punteggio medio (%)

ModelloT1T2T3T4T5T6T7T8
Claude Opus 5.599.099.299.797.899.699.299.5100.0
GPT-6.1 Sol98.699.799.898.299.198.699.5100.0
GPT-5.6 Sol98.198.899.198.698.898.699.4100.0
Claude Sonnet 5.598.898.399.697.898.697.799.5100.0
GPT-6 Luna98.299.299.495.998.698.699.9100.0
Claude Fable 598.098.197.698.098.498.198.198.6
DeepSeek V4 Flash97.097.497.596.996.397.897.797.9
DeepSeek V4.1 Flash97.998.698.396.298.697.199.099.3
Gemini 3.1 Pro Preview97.097.297.396.696.897.297.397.3
Gemini 3.5 Flash97.497.496.696.196.897.696.898.2
DeepSeek V4 Pro96.597.197.196.196.297.296.1100.0
Grok 4.594.795.594.893.094.294.495.696.8
OpenAI o392.893.994.091.390.993.493.577.0
Mistral Medium 3.588.286.887.587.084.488.687.167.5
DeepSeek V4 Flash (no thinking)88.587.887.581.983.685.088.078.6
Gemma 4 31B IT87.389.185.580.783.386.487.470.7
Mistral Small 486.887.184.983.485.085.188.061.6
Grok 4.387.887.883.679.587.583.988.575.0
OpenAI GPT-4.176.876.470.663.273.067.873.232.7
Claude Sonnet 4.576.675.068.163.573.767.373.827.9
Claude Haiku 4.570.268.561.956.967.361.169.828.0
Che cosa significano T1–T8? +

T1Comprensione / modellizzazione

T2Scelta del metodo

T3Svolgimento

T4Risultati finali

T5Domini / ipotesi

T6Coerenza

T7Rigore

T8Verifica indipendente

T1–T8 rendono visibile la struttura nascosta da un singolo valore aggregato di accuratezza. Un verde più scuro indica prestazioni migliori.

Uso delle risorse

Costo medio e incertezza

Media per esercizio e totale del panel di 60 esercizi

Il costo stimato utilizza lo snapshot dei prezzi del benchmark. La tariffa zero configurata per Gemma è specifica della campagna.

Composizione dei token

Composizione dei token per modello

InputOutput visibileRagionamentoOutput non separato

I totali coprono i 60 esercizi comuni. Claude Fable 5 riporta l’output senza distinguere parte visibile e ragionamento, perciò viene mostrato separatamente.

Tempo di risposta

Classifica del tempo di risposta tipico

Punto = mediana · linea = intervallo Q1–Q3

Il tempo end-to-end esclude la coda locale prima dell’invio e include chiamata API, generazione e tentativi aggiuntivi. Il tempo totale del panel varia da 25.5m a 12.1h.

Profilo degli esercizi

Dove differiscono i tempi di risposta

Cella = tempo del modello / mediana dell’esercizio

Tempo relativo 0,5× più rapido1,0× la mediana dell’esercizioTempo relativo 2,0× più lentoCella contornata = tentativo aggiuntivo
Analisi Matematica III33 esercizi
A3 25 P1A3 25 P2A3 25 P3A3 25 P4A3 25 P5A3 26 P1AA3 26 P1BA3 26 P2AA3 26 P2BA3 26 P3A3 26 P4
ModelloE1E2E3E1E2E3E1E2E3E1E2E3E1E2E3E1E2E3E1E2E3E1E2E3E1E2E3E1E2E3E1E2E3
01 · Claude Haiku 4.50.30.30.20.30.20.40.30.20.50.30.20.30.40.30.30.50.30.50.60.30.40.30.20.40.30.20.30.40.20.60.40.30.4
02 · Claude Sonnet 5.50.30.31.10.50.40.80.50.40.70.60.40.40.60.40.60.60.40.80.60.40.50.40.40.60.40.40.50.70.30.60.40.40.5
03 · DeepSeek V4 Flash (no thinking)0.40.50.30.51.00.40.62.40.60.60.90.30.40.40.90.60.70.90.60.70.80.51.40.50.60.50.40.70.80.40.40.50.5
04 · Claude Sonnet 4.50.40.30.30.50.20.60.60.40.60.50.40.30.70.40.50.80.50.60.80.90.60.40.20.70.40.30.70.50.30.70.60.50.8
05 · OpenAI GPT-4.10.40.30.20.50.40.41.40.40.50.70.50.50.60.50.50.81.00.81.00.50.70.40.40.60.40.30.50.60.31.90.70.31.0
06 · Claude Opus 5.50.60.52.10.70.71.10.90.70.90.90.80.80.90.70.91.10.80.91.00.71.00.90.61.20.80.61.10.90.61.20.80.70.9
07 · Gemini 3.5 Flash2.31.92.12.23.83.13.23.53.94.35.04.36.06.14.80.70.50.50.80.80.60.60.60.90.60.50.60.90.71.01.00.80.9
08 · OpenAI o30.91.30.50.91.40.62.51.00.60.61.00.81.50.80.50.71.61.71.11.31.81.328.21.30.81.01.00.81.50.60.91.20.8
09 · Grok 4.30.70.70.71.02.20.60.70.90.70.91.21.21.10.90.61.11.00.91.11.00.91.31.01.01.81.01.51.01.31.01.21.61.0
10 · Gemma 4 31B IT0.90.90.61.00.81.01.00.60.91.10.80.81.21.00.61.11.11.11.11.61.51.01.01.51.11.01.21.00.61.01.01.01.3
11 · Mistral Small 40.91.30.80.91.21.00.71.00.90.81.30.40.91.20.81.20.90.90.91.20.81.11.00.90.91.01.51.31.20.951.01.41.1
12 · Claude Fable 52.74.93.11.01.01.41.00.91.01.00.91.11.20.91.01.00.91.01.11.11.21.01.01.21.11.11.017.310.51.322.75.716.3
13 · Mistral Medium 3.51.11.81.00.91.31.01.11.12.11.01.31.31.01.11.30.91.11.11.01.01.00.91.61.01.01.40.90.91.40.80.60.90.6
14 · DeepSeek V4.1 Flash1.40.51.00.90.71.50.81.11.71.10.81.00.91.01.41.00.71.00.90.81.01.20.80.91.21.30.90.91.01.50.71.01.1
15 · GPT-6 Luna1.00.71.71.40.91.80.91.12.31.31.01.10.90.71.20.91.11.41.11.01.20.90.80.91.00.80.81.01.01.31.00.71.2
16 · Grok 4.51.31.10.61.31.91.21.22.91.01.32.61.21.61.21.41.41.41.71.41.41.71.33.24.93.02.21.91.31.80.91.22.41.3
17 · Gemini 3.1 Pro Preview4.42.61.31.01.00.91.11.01.10.90.80.81.01.010.20.90.80.90.91.00.90.90.81.126.320.50.93.50.61.70.82.16.5
18 · GPT-6.1 Sol1.81.02.21.61.72.91.71.53.02.31.52.22.92.01.81.41.92.31.42.92.71.91.51.72.31.61.32.31.62.81.41.32.9
19 · DeepSeek V4 Flash3.61.53.32.81.62.72.22.53.32.42.618.62.41.62.82.52.22.72.92.12.63.32.02.33.52.12.26.22.13.21.71.82.1
20 · DeepSeek V4 Pro2.42.31.51.94.12.02.22.22.41.53.61.02.42.62.53.03.02.63.32.33.12.52.83.54.02.82.13.56.03.22.61.80.9
21 · GPT-5.6 Sol8.85.44.62.32.44.62.82.83.925.12.63.04.12.24.03.42.93.53.83.33.43.72.22.13.32.11.813.76.36.820.121.247.7
Fisica Generale II27 esercizi
F2 25 P1F2 25 P2F2 25 P3F2 25 P4F2 25 P5F2 26 P1F2 26 P2F2 26 P3F2 26 P4
ModelloE1E2E3E1E2E3E1E2E3E1E2E3E1E2E3E1E2E3E1E2E3E1E2E3E1E2E3
01 · Claude Haiku 4.50.20.30.30.30.20.30.50.30.20.40.50.40.30.20.30.30.40.30.30.30.20.40.20.50.30.30.2
02 · Claude Sonnet 5.50.40.40.50.30.40.50.50.40.30.50.40.50.40.30.40.50.40.40.50.30.50.50.30.40.50.40.4
03 · DeepSeek V4 Flash (no thinking)0.30.50.20.70.40.30.40.60.60.40.60.50.40.40.40.50.30.40.20.30.70.40.30.50.50.30.2
04 · Claude Sonnet 4.50.50.50.50.40.50.40.60.50.30.40.70.50.50.50.60.50.50.60.40.40.40.60.50.60.40.40.3
05 · OpenAI GPT-4.10.60.90.50.50.60.40.80.60.40.40.80.40.60.40.60.70.50.40.70.20.30.60.40.50.40.70.3
06 · Claude Opus 5.50.50.70.70.50.70.90.80.70.40.90.80.90.50.50.60.90.70.80.70.70.60.80.60.80.70.60.8
07 · Gemini 3.5 Flash0.50.80.70.90.90.60.80.60.50.80.80.80.50.50.70.91.08.20.80.50.61.10.51.00.80.80.7
08 · OpenAI o31.90.80.60.50.60.80.90.51.90.61.00.83.30.80.52.30.91.01.51.31.00.70.91.31.00.90.6
09 · Grok 4.30.70.90.71.00.90.91.11.01.00.80.81.40.81.01.21.01.81.20.71.00.51.01.01.11.31.31.7
10 · Gemma 4 31B IT0.80.90.90.91.01.01.20.80.61.11.30.80.91.30.91.11.00.90.80.70.61.00.81.10.91.40.6
11 · Mistral Small 41.11.01.51.01.01.01.21.00.91.21.60.61.11.01.20.91.00.81.01.61.30.81.51.12.21.31.2
12 · Claude Fable 541.831.643.721.540.450.51.00.70.51.00.91.00.70.60.70.90.914.90.90.60.80.80.80.90.70.60.9
13 · Mistral Medium 3.51.01.51.21.01.31.30.91.81.80.92.21.93.21.51.01.33.31.01.22.21.31.81.41.21.31.02.5
14 · DeepSeek V4.1 Flash1.01.31.11.21.21.71.01.11.21.21.11.91.00.81.81.52.60.71.31.01.21.11.11.01.21.11.2
15 · GPT-6 Luna1.01.51.81.02.01.81.61.21.41.40.74.21.11.01.51.31.01.71.21.11.41.01.01.30.91.01.0
16 · Grok 4.51.51.71.01.62.41.81.21.72.41.61.52.01.51.41.51.03.41.01.51.62.71.11.61.01.32.45.4
17 · Gemini 3.1 Pro Preview30.93.671.632.138.330.62.61.41.01.61.813.81.31.61.214.81.31.11.06.313.55.91.11.01.11.61.2
18 · GPT-6.1 Sol1.82.12.51.72.63.63.62.01.62.71.83.61.71.52.13.52.53.72.21.72.23.62.32.31.81.92.4
19 · DeepSeek V4 Flash1.62.01.53.12.41.42.92.61.52.52.02.81.91.41.42.53.72.11.72.72.32.51.71.31.82.32.5
20 · DeepSeek V4 Pro3.42.01.72.16.82.31.52.52.13.02.63.62.02.42.22.32.63.21.32.64.01.02.21.36.63.58.2
21 · GPT-5.6 Sol40.729.160.429.465.341.33.94.22.94.52.55.42.92.03.34.02.64.63.33.12.93.33.44.53.02.84.3

Un valore di 0,5 indica metà del tempo tipico dell’esercizio; 2,0 indica il doppio. La normalizzazione controlla la difficoltà dell’esercizio. Le celle contornate includono tentativi aggiuntivi.

Determinanti del tempo

Come si forma il tempo medio di risposta

Token medi × secondi effettivi per 1.000

La dimensione della bolla rappresenta il tempo medio di risposta. I secondi per 1.000 token sono un rapporto operativo che include latenza, generazione e tentativi aggiuntivi, non il puro throughput del provider.

Relazione con l’accuratezza

Tempo di risposta e accuratezza

Tempo mediano su scala logaritmica

Risultato principaleTempi di risposta più lunghi sono associati a un’accuratezza maggiore, ma i guadagni si appiattiscono in prossimità del limite superiore.Pearson r(log time) = 0.65 · rank correlation ρ = 0.47 · bounded-curve R² = 0.53

Associazione descrittiva tra 21 configurazioni; non dimostra un rapporto causale.

Relazione complessiva · migliore = in alto a sinistra

20 s ← tempo mediano di risposta (scala logaritmica) → 320 s60% ← accuratezza → 100%

Scarto di accuratezza dalla tendenza attesa

Gli scarti positivi indicano un’accuratezza superiore alle attese dato il tempo mediano osservato; quelli negativi indicano il contrario.

Dettagli

Consulta i metodi e il versionamento del benchmark.

Apri i dettagli →