GPT 4 5 Preview

Ce spun datele

Evaluat pe 11 din 27 axe urmărite. Fiecare cifră de mai jos este rezultatul publicat al modelului pe acel clasament.

Neuniform: 65,6 puncte de percentilă între cea mai bună și cea mai slabă axă a sa — 81.3 pct pe Urmarea instrucțiunilor față de 15.7 pct pe ARC-AGI-2.

• Urmarea instrucțiunilor81.3 pct1,437Verifică →
• General80.6 pct1,445Verifică →
• LiveBench79.4 pct68.9%Verifică →
• Prompturi dificile69.7 pct1,440Verifică →
• Programare66.8 pct1,458Verifică →
• Vision Arena56 pct1,225Verifică →
• GPQA Diamond50.2 pct68.7%Verifică →
• AIME (matematică)35 pct37.8%Verifică →
• SimpleBench27.6 pct34.5%Verifică →
• Humanity's Last Exam17.4 pct5.4%Verifică →
• ARC-AGI-215.7 pct0.8%Verifică →
• WebDev ArenaNeevaluat
• Factuality ArenaNeevaluat
• Search ArenaNeevaluat
• Document ArenaNeevaluat
• Agent ArenaNeevaluat
• FrontierMathNeevaluat
• SimpleQA VerifiedNeevaluat
• 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.