Google · pașaport de model
Gemini 1 5 Flash 002
gemini-1-5-flash-002- Doar în cloud
- Licență Proprietary
- Lansat 2024-09-24(curatoriat)
- General · LMArena
- 1,309#255 din 396
- Cea mai bună percentilă
- 43.3LiveBench
- Poziția în cohortă
- 34.6mediană 38.3
Ce spun datele
Evaluat pe 9 din 27 axe urmărite. Fiecare cifră de mai jos este rezultatul publicat al modelului pe acel clasament.
Cele mai slabe axe
- 2.9 pct — FrontierMath (0.0%)
Neuniform: 40,4 puncte de percentilă între cea mai bună și cea mai slabă axă a sa — 43.3 pct pe LiveBench față de 2.9 pct pe FrontierMath.
- LiveBench43.3 pct49.6%Verifică →
- General35.9 pct1,309Verifică →
- Urmarea instrucțiunilor35.1 pct1,290Verifică →
- Prompturi dificile31.6 pct1,303Verifică →
- Programare30.2 pct1,316Verifică →
- GPQA Diamond29.9 pct47.3%Verifică →
- Vision Arena28.7 pct1,141Verifică →
- AIME (matematică)27.5 pct16.3%Verifică →
- FrontierMath2.9 pct0.0%Verifică →
- WebDev ArenaNeevaluat
- Factuality ArenaNeevaluat
- Search ArenaNeevaluat
- Document ArenaNeevaluat
- Agent ArenaNeevaluat
- 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-002 stands at 34.6 (raw mean 29.4) — measured on 9 of 27 axes.
gemini-1.5-flash-002 stands at 34.6 versus a cohort median of 38.3 across 132 models released within 180 days — below the peer median.
gemini-1.5-flash-002 scores at percentile 2.9 on FrontierMath.
gemini-1.5-flash-002 ranks between #255 and #940 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 →