Sari la conținut
aiqbench

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

Mistral · pașaport de model

Devstral Medium

devstral-medium
  • Doar în cloud
  • Licență Proprietary
  • Lansat 2026-10-16(văzut prima dată pe LMArena)
4/27axe acoperite
Cea mai bună percentilă
44.3LiveCodeBench (Artificial Analysis)
Poziția în cohortă
36.4mediană 60.8

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

  • 1.4 pct — WebDev Arena (1,071)

Neuniform: 42,9 puncte de percentilă între cea mai bună și cea mai slabă axă a sa — 44.3 pct pe LiveCodeBench (Artificial Analysis) față de 1.4 pct pe WebDev Arena.

  • LiveCodeBench (Artificial Analysis)44.3 pct33.7%Verifică →
  • MMLU-Pro (Artificial Analysis)42.7 pct70.8%Verifică →
  • IFBench (Artificial Analysis)16 pct29.9%Verifică →
  • WebDev Arena1.4 pct1,071Verifică →
  • GeneralNeevaluat
  • 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
  • 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.

  • Devstral Medium (2507) stands at 36.4 (raw mean 26.1) — measured on 4 of 27 axes.

    pozițieșablonVerifică →

  • Devstral Medium (2507) stands at 36.4 versus a cohort median of 60.8 across 168 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 →