DeepSeek · pașaport de model
deepseek/deepseek-v3.2
deepseek/deepseek-v3-2- Cea mai bună percentilă
- 47.7Terminal-Bench
- Poziția după scorul compus
- 45.4contractat · 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: 18,5 puncte de percentilă între cea mai bună și cea mai slabă axă a sa — 47.7 pct pe Terminal-Bench față de 29.2 pct pe ARC-AGI-2.
- Terminal-Bench47.7 pct39.6%Verifică →
- ARC-AGI-229.2 pct4.0%Verifică →
- GeneralNeevaluat
- WebDev ArenaNeevaluat
- Vision ArenaNeevaluat
- Factuality ArenaNeevaluat
- Search ArenaNeevaluat
- Document ArenaNeevaluat
- Agent ArenaNeevaluat
- GPQA DiamondNeevaluat
- AIME (matematică)Neevaluat
- FrontierMathNeevaluat
- SimpleQA VerifiedNeevaluat
- 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
- 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.
deepseek/deepseek-v3.2 stands at 45.4 (raw mean 38.5) — measured on only 2 of 27 axes, so the standing is shrunk toward the neutral 50.
deepseek/deepseek-v3.2 ranks between #76 and #583 across 4 built-in weightings — best under "Agentic", worst under "Toate sursele".
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 →