Google DeepMind · pașaport de model
gemini-2.5-pro-exp-03-25
gemini-2-5-pro-exp-03-25- Cea mai bună percentilă
- 96.9LiveBench
- Poziția după scorul compus
- 60.1contractat · 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
- 96.9 pct — LiveBench (77.4%)
Neuniform: 44 de puncte de percentilă între cea mai bună și cea mai slabă axă a sa — 96.9 pct pe LiveBench față de 52.9 pct pe SimpleBench.
- LiveBench96.9 pct77.4%Verifică →
- GPQA Diamond66.5 pct83.8%Verifică →
- Humanity's Last Exam54.3 pct18.2%Verifică →
- SimpleBench52.9 pct51.6%Verifică →
- GeneralNeevaluat
- WebDev ArenaNeevaluat
- Vision ArenaNeevaluat
- Factuality ArenaNeevaluat
- Search ArenaNeevaluat
- Document ArenaNeevaluat
- Agent ArenaNeevaluat
- AIME (matematică)Neevaluat
- FrontierMathNeevaluat
- SimpleQA VerifiedNeevaluat
- ARC-AGI-2Neevaluat
- 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-pro-exp-03-25 stands at 60.1 (raw mean 67.7) — measured on 4 of 27 axes.
gemini-2.5-pro-exp-03-25 scores at percentile 96.9 on LiveBench.
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 →