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

Pașaport de model

Athene 70b 0725

athene-70b-0725

Ponderi deschise
Licență CC-BY-NC-4.0
Lansat 2024-07-25(curatoriat)

General · LMArena: 1,307#258 din 396
Cea mai bună percentilă: 35.8Programare
Poziția în cohortă: 41.1mediană 36.6

Ce spun datele

Evaluat pe 4 din 27 axe urmărite. Fiecare cifră de mai jos este rezultatul publicat al modelului pe acel clasament.

Neuniform: 3,7 puncte de percentilă între cea mai bună și cea mai slabă axă a sa — 35.8 pct pe Programare față de 32.1 pct pe Urmarea instrucțiunilor.

Programare35.8 pct1,349Verifică →
General35.1 pct1,307Verifică →
Prompturi dificile34.8 pct1,313Verifică →
Urmarea instrucțiunilor32.1 pct1,279Verifică →
WebDev ArenaNeevaluat
Vision ArenaNeevaluat
Factuality ArenaNeevaluat
Search ArenaNeevaluat
Document ArenaNeevaluat
Agent ArenaNeevaluat
GPQA DiamondNeevaluat
AIME (matematică)Neevaluat
FrontierMathNeevaluat
SimpleQA VerifiedNeevaluat
ARC-AGI-2Neevaluat
Humanity's Last ExamNeevaluat
SimpleBenchNeevaluat
LiveBenchNeevaluat
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

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.

athene-70b-0725 stands at 41.1 (raw mean 34.5) — measured on 4 of 27 axes.
pozițieșablonVerifică →
athene-70b-0725 stands at 41.1 versus a cohort median of 36.6 across 131 models released within 180 days — above the peer median.
cohortășablonVerifică →

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 →