DeepSeek · pașaport de model
DeepSeek-R1-Distill-Qwen-1.5B
deepseek-r1-distill-qwen-1-5b- Cea mai bună percentilă
- 29.5AIME (matematică)
- Poziția după scorul compus
- 25.5contractat · 5/27 axe
Ce spun datele
Evaluat pe 5 din 27 axe urmărite. Fiecare cifră de mai jos este rezultatul publicat al modelului pe acel clasament.
Cele mai slabe axe
- 0.6 pct — IFBench (Artificial Analysis) (13.2%)
- 3.4 pct — MMLU-Pro (Artificial Analysis) (26.9%)
- 6.1 pct — LiveCodeBench (Artificial Analysis) (7.0%)
Neuniform: 28,9 puncte de percentilă între cea mai bună și cea mai slabă axă a sa — 29.5 pct pe AIME (matematică) față de 0.6 pct pe IFBench (Artificial Analysis).
- AIME (matematică)29.5 pct21.4%Verifică →
- GPQA Diamond14 pct33.6%Verifică →
- LiveCodeBench (Artificial Analysis)6.1 pct7.0%Verifică →
- MMLU-Pro (Artificial Analysis)3.4 pct26.9%Verifică →
- IFBench (Artificial Analysis)0.6 pct13.2%Verifică →
- GeneralNeevaluat
- WebDev ArenaNeevaluat
- Vision ArenaNeevaluat
- Factuality ArenaNeevaluat
- Search ArenaNeevaluat
- Document ArenaNeevaluat
- Agent ArenaNeevaluat
- 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
- 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.
DeepSeek-R1-Distill-Qwen-1.5B stands at 25.5 (raw mean 10.7) — measured on 5 of 27 axes.
DeepSeek-R1-Distill-Qwen-1.5B scores at percentile 0.6 on IFBench (Artificial Analysis).
DeepSeek-R1-Distill-Qwen-1.5B scores at percentile 3.4 on MMLU-Pro (Artificial Analysis).
DeepSeek-R1-Distill-Qwen-1.5B ranks between #407 and #1,029 across 3 built-in weightings — best under "Universal", 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 →