Google · pașaport de model
Gemini 2.0 Flash (experimental)
gemini-2-0-flash- Cea mai bună percentilă
- 60.3MMLU-Pro (Artificial Analysis)
- Poziția după scorul compus
- 49.2contractat · 3/27 axe
Ce spun datele
Evaluat pe 3 din 27 axe urmărite. Fiecare cifră de mai jos este rezultatul publicat al modelului pe acel clasament.
Neuniform: 18,9 puncte de percentilă între cea mai bună și cea mai slabă axă a sa — 60.3 pct pe MMLU-Pro (Artificial Analysis) față de 41.4 pct pe IFBench (Artificial Analysis).
- MMLU-Pro (Artificial Analysis)60.3 pct78.2%Verifică →
- LiveCodeBench (Artificial Analysis)43.5 pct33.4%Verifică →
- IFBench (Artificial Analysis)41.4 pct40.2%Verifică →
- GeneralNeevaluat
- WebDev ArenaNeevaluat
- 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.
Gemini 2.0 Flash (experimental) stands at 49.2 (raw mean 48.4) — measured on 3 of 27 axes.
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 →