OpenAI · pașaport de model
GPT 4 1106 Preview
gpt-4-1106-preview- Doar în cloud
- Licență Proprietary
- Lansat 2023-11-06(curatoriat)
- General · LMArena
- 1,313#253 din 396
- Cea mai bună percentilă
- 44.3LiveBench
- Poziția în cohortă
- 37.2mediană 27.9
Ce spun datele
Evaluat pe 7 din 27 axe urmărite. Fiecare cifră de mai jos este rezultatul publicat al modelului pe acel clasament.
Cele mai slabe axe
- 10.8 pct — SWE-bench Verified (clasament live) (22.4%)
Neuniform: 33,5 puncte de percentilă între cea mai bună și cea mai slabă axă a sa — 44.3 pct pe LiveBench față de 10.8 pct pe SWE-bench Verified (clasament live).
- LiveBench44.3 pct50.0%Verifică →
- Urmarea instrucțiunilor37.6 pct1,296Verifică →
- General36.4 pct1,313Verifică →
- Prompturi dificile35.1 pct1,313Verifică →
- Programare33 pct1,340Verifică →
- GPQA Diamond24.4 pct42.4%Verifică →
- SWE-bench Verified (clasament live)10.8 pct22.4%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
- 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-4-1106-preview stands at 37.2 (raw mean 31.7) — measured on 7 of 27 axes.
gpt-4-1106-preview stands at 37.2 versus a cohort median of 27.9 across 73 models released within 180 days — above the peer median.
On GPQA Diamond, gpt-4-1106-preview raised the running best score by 6.6 percentage points to 42.4% on 2023-11-06.
gpt-4-1106-preview scores at percentile 10.8 on SWE-bench Verified (clasament live).
gpt-4-1106-preview ranks between #248 and #874 across 5 built-in weightings — best under "Conversație pe primul loc", 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 →