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

OpenAI · pașaport de model

GPT 4 0125 Preview

gpt-4-0125-preview

Doar în cloud
Licență Proprietary
Lansat 2024-01-25(curatoriat)

General · LMArena: 1,313#252 din 396
Cea mai bună percentilă: 41.9LiveBench
Poziția în cohortă: 39.2mediană 29.9

Ce spun datele

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

Neuniform: 17,9 puncte de percentilă între cea mai bună și cea mai slabă axă a sa — 41.9 pct pe LiveBench față de 24 pct pe GPQA Diamond.

LiveBench41.9 pct48.9%Verifică →
General36.6 pct1,313Verifică →
Urmarea instrucțiunilor35.4 pct1,290Verifică →
Prompturi dificile33.3 pct1,307Verifică →
Programare32 pct1,332Verifică →
GPQA Diamond24 pct42.3%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-4-0125-preview stands at 39.2 (raw mean 33.9) — measured on 6 of 27 axes.
pozițieșablonVerifică →
gpt-4-0125-preview stands at 39.2 versus a cohort median of 29.9 across 89 models released within 180 days — above 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 →