Română · beta. Traducerea a fost făcută automat și este încă în curs de revizuire. Citește pagina în engleză

Google DeepMind · pașaport de model

gemini-2.5-flash-preview-05-20

gemini-2-5-flash-preview-05-20

Cea mai bună percentilă: 86.6LiveBench
Poziția după scorul compus: 50.5contractat · 4/27 axe

Ce spun datele

Evaluat pe 4 din 27 axe urmărite. Fiecare cifră de mai jos este rezultatul publicat al modelului pe acel clasament.

Cele mai puternice axe

86.6 pct — LiveBench (72.0%)

Neuniform: 61,9 puncte de percentilă între cea mai bună și cea mai slabă axă a sa — 86.6 pct pe LiveBench față de 24.7 pct pe ARC-AGI-2.

LiveBench86.6 pct72.0%Verifică →
AIME (matematică)51 pct70.8%Verifică →
Humanity's Last Exam41.3 pct11.0%Verifică →
ARC-AGI-224.7 pct2.5%Verifică →
GeneralNeevaluat
WebDev ArenaNeevaluat
Vision ArenaNeevaluat
Factuality ArenaNeevaluat
Search ArenaNeevaluat
Document ArenaNeevaluat
Agent ArenaNeevaluat
GPQA DiamondNeevaluat
FrontierMathNeevaluat
SimpleQA VerifiedNeevaluat
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-05-20 stands at 50.5 (raw mean 50.9) — measured on 4 of 27 axes.
pozițieșablonVerifică →

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 →