Sari la conținut
aiqbench

Română · beta. Traducerea a fost făcută automat și este încă în curs de revizuire. Citește pagina în engleză

Amazon · pașaport de model

amazon.nova-lite-v1:0

amazon-nova-lite-v1:0
2/27axe acoperite
Cea mai bună percentilă
22.7LiveBench
Poziția după scorul compus
35.4contractat · 2/27 axe

Acoperire redusă — citește cu prudență

Acest model apare doar pe 2 din 27 axe de benchmark luate în considerare. Poziția generală a fost contractată spre valoarea neutră 50 pentru a reflecta eșantionul mic, și nu a fost afirmat niciun punct slab — o percentilă scăzută pe 2 axe este un artefact al acoperirii, nu o slăbiciune măsurată.

Ce spun datele

Evaluat pe 2 din 27 axe urmărite. Fiecare cifră de mai jos este rezultatul publicat al modelului pe acel clasament.

Pe doar 2 clasament(e), o listă ordonată de puncte forte ar fi o autoritate falsă — în schimb, cifrele pe fiecare axă sunt afișate mai jos, fără verdict.

Neuniform: 18,4 puncte de percentilă între cea mai bună și cea mai slabă axă a sa — 22.7 pct pe LiveBench față de 4.3 pct pe Humanity's Last Exam.

  • LiveBench22.7 pct36.4%Verifică →
  • Humanity's Last Exam4.3 pct3.6%Verifică →
  • GeneralNeevaluat
  • WebDev ArenaNeevaluat
  • Vision ArenaNeevaluat
  • Factuality ArenaNeevaluat
  • Search ArenaNeevaluat
  • Document ArenaNeevaluat
  • Agent ArenaNeevaluat
  • GPQA DiamondNeevaluat
  • AIME (matematică)Neevaluat
  • FrontierMathNeevaluat
  • SimpleQA VerifiedNeevaluat
  • ARC-AGI-2Neevaluat
  • SimpleBenchNeevaluat
  • BFCL v4 (apelare de funcții)Neevaluat
  • SWE-bench Verified (clasament live)Neevaluat
  • Terminal-Bench 4.0Neevaluat
  • MMLU-Pro (Artificial Analysis)Neevaluat
  • LiveCodeBench (Artificial Analysis)Neevaluat
  • IFBench (Artificial Analysis)Neevaluat
  • Halucinații HHEM (Vectara)Neevaluat
  • SWE-bench VerifiedNeevaluat
  • Terminal-BenchNeevaluat
  • ProgramareNeevaluat
  • Urmarea instrucțiunilorNeevaluat
  • Prompturi dificileNeevaluat

Percentilele reprezintă poziția modelului în populația proprie a fiecărui clasament. Axele marcate „neevaluat” nu au niciun rezultat publicat pentru acest model — este o absență a datelor, nu un scor mic.

  • amazon.nova-lite-v1:0 stands at 35.4 (raw mean 13.5) — measured on only 2 of 27 axes, so the standing is shrunk toward the neutral 50.

    pozițieșablonVerifică →

Fiecare afirmație este un fapt calculat din datele actuale ale clasamentului, formulat de un apel de model la temperatură scăzută și respins de o poartă de validare dacă vreun număr nu se află în rândul sursă. Cum funcționează clasamentele →