Google · pașaport de model
Gemini 1 5 Flash 8b 001
gemini-1-5-flash-8b-001- Doar în cloud
- Licență Proprietary
- Lansat 2024-10-03(curatoriat)
- General · LMArena
- 1,259#299 din 396
- Cea mai bună percentilă
- 24.7General
- Poziția în cohortă
- 28.2mediană 38.6
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
- 13.6 pct — GPQA Diamond (33.0%)
Neuniform: 11,1 puncte de percentilă între cea mai bună și cea mai slabă axă a sa — 24.7 pct pe General față de 13.6 pct pe GPQA Diamond.
- General24.7 pct1,259Verifică →
- Urmarea instrucțiunilor24.2 pct1,238Verifică →
- Prompturi dificile24.2 pct1,259Verifică →
- Programare21.2 pct1,271Verifică →
- LiveBench19.2 pct34.4%Verifică →
- Vision Arena17.3 pct1,071Verifică →
- AIME (matematică)15.5 pct4.6%Verifică →
- GPQA Diamond13.6 pct33.0%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-8b-001 stands at 28.2 (raw mean 20) — measured on 8 of 27 axes.
gemini-1.5-flash-8b-001 stands at 28.2 versus a cohort median of 38.6 across 132 models released within 180 days — below the peer median.
gemini-1.5-flash-8b-001 scores at percentile 13.6 on GPQA Diamond.
gemini-1.5-flash-8b-001 ranks between #307 and #1,002 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 →