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

OpenAI · pașaport de model

GPT 3 5 Turbo 1106

gpt-3-5-turbo-1106

Doar în cloud
Licență Proprietary
Lansat 2023-11-06(curatoriat)

General · LMArena: 1,204#325 din 396
Cea mai bună percentilă: 19.7Programare
Poziția în cohortă: 27.9mediană 28.4

Ce spun datele

Evaluat pe 6 din 27 axe urmărite. Fiecare cifră de mai jos este rezultatul publicat al modelului pe acel clasament.

Cele mai slabe axe

8.6 pct — GPQA Diamond (28.0%)

Neuniform: 11,1 puncte de percentilă între cea mai bună și cea mai slabă axă a sa — 19.7 pct pe Programare față de 8.6 pct pe GPQA Diamond.

Programare19.7 pct1,263Verifică →
Urmarea instrucțiunilor19.7 pct1,198Verifică →
Prompturi dificile19.7 pct1,229Verifică →
General18.2 pct1,204Verifică →
LiveBench15.1 pct30.4%Verifică →
GPQA Diamond8.6 pct28.0%Verifică →
WebDev ArenaNeevaluat
Vision ArenaNeevaluat
Factuality ArenaNeevaluat
Search ArenaNeevaluat
Document ArenaNeevaluat
Agent ArenaNeevaluat
AIME (matematică)Neevaluat
FrontierMathNeevaluat
SimpleQA VerifiedNeevaluat
ARC-AGI-2Neevaluat
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.

gpt-3.5-turbo-1106 stands at 27.9 (raw mean 16.8) — measured on 6 of 27 axes.
pozițieșablonVerifică →
gpt-3.5-turbo-1106 stands at 27.9 versus a cohort median of 28.4 across 73 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 →