Google DeepMind · pașaport de model
gemini-2.5-flash-preview-04-17
gemini-2-5-flash-preview-04-17- Cea mai bună percentilă
- 82.1LiveBench
- Poziția după scorul compus
- 55.1contractat · 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: 36,4 puncte de percentilă între cea mai bună și cea mai slabă axă a sa — 82.1 pct pe LiveBench față de 45.7 pct pe Humanity's Last Exam.
- LiveBench82.1 pct69.9%Verifică →
- AIME (matematică)53 pct73.1%Verifică →
- Humanity's Last Exam45.7 pct12.1%Verifică →
- GeneralNeevaluat
- WebDev ArenaNeevaluat
- Vision ArenaNeevaluat
- Factuality ArenaNeevaluat
- Search ArenaNeevaluat
- Document ArenaNeevaluat
- Agent ArenaNeevaluat
- GPQA DiamondNeevaluat
- FrontierMathNeevaluat
- SimpleQA VerifiedNeevaluat
- ARC-AGI-2Neevaluat
- 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
- 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-2.5-flash-preview-04-17 stands at 55.1 (raw mean 60.3) — measured on 3 of 27 axes.
gemini-2.5-flash-preview-04-17 ranks between #215 and #273 across 2 built-in weightings — best under "Raționament", 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 →