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 2 0 Flash 001

gemini-2-0-flash-001
  • Doar în cloud
  • Licență Proprietary
  • Lansat 2025-02-05(curatoriat)
10/27axe acoperite
General · LMArena
1,360#191 din 396
Cea mai bună percentilă
52.9LiveBench
Poziția în cohortă
42.8mediană 43.3

Ce spun datele

Evaluat pe 10 din 27 axe urmărite. Fiecare cifră de mai jos este rezultatul publicat al modelului pe acel clasament.

Neuniform: 32,6 puncte de percentilă între cea mai bună și cea mai slabă axă a sa — 52.9 pct pe LiveBench față de 20.3 pct pe FrontierMath.

  • LiveBench52.9 pct54.9%Verifică →
  • Urmarea instrucțiunilor52.3 pct1,347Verifică →
  • General52 pct1,360Verifică →
  • Prompturi dificile48 pct1,361Verifică →
  • GPQA Diamond45.2 pct64.1%Verifică →
  • Programare40.4 pct1,363Verifică →
  • Vision Arena38 pct1,172Verifică →
  • AIME (matematică)33.5 pct31.1%Verifică →
  • ARC-AGI-223.6 pct1.3%Verifică →
  • FrontierMath20.3 pct1.7%Verifică →
  • WebDev ArenaNeevaluat
  • Factuality ArenaNeevaluat
  • Search ArenaNeevaluat
  • Document ArenaNeevaluat
  • Agent ArenaNeevaluat
  • SimpleQA VerifiedNeevaluat
  • 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-2.0-flash-001 stands at 42.8 (raw mean 40.6) — measured on 10 of 27 axes.

    pozițieșablonVerifică →

  • gemini-2.0-flash-001 stands at 42.8 versus a cohort median of 43.3 across 139 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 →