Sari la conținut
aiqbench

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

DeepSeek · pașaport de model

DeepSeek V3 2 Thinking

deepseek-v3-2-thinking
  • Ponderi deschise
  • Licență MIT
  • Lansat 2026-10-13(văzut prima dată pe LMArena)
7/27axe acoperite
General · LMArena
1,422#115 din 396
Cea mai bună percentilă
75.6LiveBench
Poziția în cohortă
58.8mediană 60.7

Ce spun datele

Evaluat pe 7 din 27 axe urmărite. Fiecare cifră de mai jos este rezultatul publicat al modelului pe acel clasament.

Neuniform: 46,8 puncte de percentilă între cea mai bună și cea mai slabă axă a sa — 75.6 pct pe LiveBench față de 28.8 pct pe WebDev Arena.

  • LiveBench75.6 pct66.2%Verifică →
  • Urmarea instrucțiunilor75 pct1,419Verifică →
  • Programare73.7 pct1,475Verifică →
  • Prompturi dificile72.5 pct1,446Verifică →
  • General71.2 pct1,422Verifică →
  • Factuality Arena41.3 pct1,432Verifică →
  • WebDev Arena28.8 pct1,362Verifică →
  • Vision ArenaNeevaluat
  • Search ArenaNeevaluat
  • Document ArenaNeevaluat
  • Agent ArenaNeevaluat
  • GPQA DiamondNeevaluat
  • AIME (matematică)Neevaluat
  • FrontierMathNeevaluat
  • SimpleQA VerifiedNeevaluat
  • ARC-AGI-2Neevaluat
  • Humanity's Last ExamNeevaluat
  • SimpleBenchNeevaluat
  • 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.

  • deepseek-v3.2-thinking stands at 58.8 (raw mean 62.6) — measured on 7 of 27 axes.

    pozițieșablonVerifică →

  • deepseek-v3.2-thinking stands at 58.8 versus a cohort median of 60.7 across 169 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 →