DeepSeek · pașaport de model
DeepSeek V3
deepseek-v3- Ponderi deschise
- Licență DeepSeek
- 684.5B parametri
- Lansat 2024-12-26(curatoriat)
- General · LMArena
- 1,358#192 din 396
- Cea mai bună percentilă
- 77.1Halucinații HHEM (Vectara)
- Poziția în cohortă
- 44.2mediană 42.0
Ce spun datele
Evaluat pe 13 din 27 axe urmărite. Fiecare cifră de mai jos este rezultatul publicat al modelului pe acel clasament.
Cele mai slabe axe
- 6.9 pct — SimpleBench (18.9%)
Neuniform: 70,2 puncte de percentilă între cea mai bună și cea mai slabă axă a sa — 77.1 pct pe Halucinații HHEM (Vectara) față de 6.9 pct pe SimpleBench.
- Halucinații HHEM (Vectara)77.1 pct93.9%Verifică →
- LiveBench63.6 pct60.5%Verifică →
- General51.8 pct1,358Verifică →
- MMLU-Pro (Artificial Analysis)51.7 pct75.2%Verifică →
- Urmarea instrucțiunilor50.8 pct1,343Verifică →
- Programare47.3 pct1,387Verifică →
- LiveCodeBench (Artificial Analysis)46.6 pct35.9%Verifică →
- Prompturi dificile45.5 pct1,350Verifică →
- GPQA Diamond40.3 pct56.5%Verifică →
- IFBench (Artificial Analysis)28.7 pct34.8%Verifică →
- AIME (matematică)26.5 pct15.8%Verifică →
- FrontierMath20.3 pct1.7%Verifică →
- SimpleBench6.9 pct18.9%Verifică →
- WebDev ArenaNeevaluat
- Vision ArenaNeevaluat
- Factuality ArenaNeevaluat
- Search ArenaNeevaluat
- Document ArenaNeevaluat
- Agent ArenaNeevaluat
- SimpleQA VerifiedNeevaluat
- ARC-AGI-2Neevaluat
- Humanity's Last ExamNeevaluat
- BFCL v4 (apelare de funcții)Neevaluat
- SWE-bench Verified (clasament live)Neevaluat
- Terminal-Bench 4.0Neevaluat
- 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.
Cum îl rulezi
Rulează-l singur
Transformers
from transformers import AutoModelForCausalLM, AutoTokenizer
model_id = "deepseek-ai/DeepSeek-V3"
tokenizer = AutoTokenizer.from_pretrained(model_id)
model = AutoModelForCausalLM.from_pretrained(model_id)Ollama
Nu sincronizăm tag-urile Ollama, așa că nu afișăm o comandă pe care nu o putem verifica — una greșită ar descărca modelul greșit. Caută în biblioteca Ollama →
Rețetele de fine-tuning Unsloth sunt specifice fiecărui model și nu le derivăm aici. Documentația Unsloth →
Identificatorii, limitele și prețurile sunt sincronizate din sursa upstream afișată mai sus. Orice câmp nesincronizat este omis complet, nu ghicit.
deepseek-v3 stands at 44.2 (raw mean 42.8) — measured on 13 of 27 axes.
deepseek-v3 stands at 44.2 versus a cohort median of 42 across 138 models released within 180 days — above the peer median.
deepseek-v3 scores at percentile 6.9 on SimpleBench.
deepseek-v3 ranks between #178 and #644 across 5 built-in weightings — best under "Conversație pe primul loc", 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 →