Sari la conținut
aiqbench

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

Pașaport de model

Chatglm 6b

chatglm-6b
  • Ponderi deschise
  • Licență Non-commercial
  • Lansat 2023-03-14(curatoriat)
4/27axe acoperite
General · LMArena
996#392 din 396
Cea mai bună percentilă
1.8Programare
Poziția în cohortă
22.3mediană 25.6

Ce spun datele

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

Cele mai slabe axe

  • 1.3 pct — Prompturi dificile (1,001)
  • 1.3 pct — General (996)
  • 1.5 pct — Urmarea instrucțiunilor (978)

Neuniform: 0,5 puncte de percentilă între cea mai bună și cea mai slabă axă a sa — 1.8 pct pe Programare față de 1.3 pct pe Prompturi dificile.

  • Programare1.8 pct1,036Verifică →
  • Urmarea instrucțiunilor1.5 pct978Verifică →
  • General1.3 pct996Verifică →
  • Prompturi dificile1.3 pct1,001Verifică →
  • 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.

  • chatglm-6b stands at 22.3 (raw mean 1.5) — measured on 4 of 27 axes.

    pozițieșablonVerifică →

  • chatglm-6b stands at 22.3 versus a cohort median of 25.6 across 27 models released within 180 days — below 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 →