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

xAI · pașaport de model

Grok 2.1212

grok-2-1212

Cea mai bună percentilă: 39.5LiveBench
Poziția după scorul compus: 34.4contractat · 5/27 axe

Ce spun datele

Evaluat pe 5 din 27 axe urmărite. Fiecare cifră de mai jos este rezultatul publicat al modelului pe acel clasament.

Cele mai slabe axe

11.5 pct — SimpleBench (22.7%)
11.6 pct — FrontierMath (0.7%)

Neuniform: 28 de puncte de percentilă între cea mai bună și cea mai slabă axă a sa — 39.5 pct pe LiveBench față de 11.5 pct pe SimpleBench.

LiveBench39.5 pct48.1%Verifică →
GPQA Diamond37.1 pct53.8%Verifică →
AIME (matematică)25.5 pct11.5%Verifică →
FrontierMath11.6 pct0.7%Verifică →
SimpleBench11.5 pct22.7%Verifică →
GeneralNeevaluat
WebDev ArenaNeevaluat
Vision ArenaNeevaluat
Factuality ArenaNeevaluat
Search ArenaNeevaluat
Document ArenaNeevaluat
Agent ArenaNeevaluat
SimpleQA VerifiedNeevaluat
ARC-AGI-2Neevaluat
Humanity's Last ExamNeevaluat
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.

grok-2-1212 stands at 34.4 (raw mean 25) — measured on 5 of 27 axes.
pozițieșablonVerifică →

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 →