Sari la conținut
aiqbench

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

Google · pașaport de model

Gemini 1 5 Flash 001

gemini-1-5-flash-001
  • Doar în cloud
  • Licență Proprietary
  • Lansat 2024-05-14(curatoriat)
8/27axe acoperite
General · LMArena
1,287#280 din 396
Cea mai bună percentilă
30.1Prompturi dificile
Poziția în cohortă
30.8mediană 34.5

Ce spun datele

Evaluat pe 8 din 27 axe urmărite. Fiecare cifră de mai jos este rezultatul publicat al modelului pe acel clasament.

Cele mai slabe axe

  • 13.5 pct — AIME (matematică) (3.9%)

Neuniform: 16,6 puncte de percentilă între cea mai bună și cea mai slabă axă a sa — 30.1 pct pe Prompturi dificile față de 13.5 pct pe AIME (matematică).

  • Prompturi dificile30.1 pct1,288Verifică →
  • General29.5 pct1,287Verifică →
  • Urmarea instrucțiunilor29.3 pct1,265Verifică →
  • Programare27.9 pct1,309Verifică →
  • LiveBench22.3 pct36.3%Verifică →
  • GPQA Diamond20.8 pct40.4%Verifică →
  • Vision Arena15.3 pct1,059Verifică →
  • AIME (matematică)13.5 pct3.9%Verifică →
  • WebDev ArenaNeevaluat
  • Factuality ArenaNeevaluat
  • Search ArenaNeevaluat
  • Document ArenaNeevaluat
  • Agent ArenaNeevaluat
  • 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.

  • gemini-1.5-flash-001 stands at 30.8 (raw mean 23.6) — measured on 8 of 27 axes.

    pozițieșablonVerifică →

  • gemini-1.5-flash-001 stands at 30.8 versus a cohort median of 34.5 across 118 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 →