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

xAI · pașaport de model

Grok 4

grok-4

Cea mai bună percentilă: 96.3MMLU-Pro (Artificial Analysis)
Poziția după scorul compus: 66.7contractat · 3/27 axe

Ce spun datele

Evaluat pe 3 din 27 axe urmărite. Fiecare cifră de mai jos este rezultatul publicat al modelului pe acel clasament.

Cele mai puternice axe

96.3 pct — MMLU-Pro (Artificial Analysis) (86.6%)
92.4 pct — LiveCodeBench (Artificial Analysis) (81.9%)

Neuniform: 34,9 puncte de percentilă între cea mai bună și cea mai slabă axă a sa — 96.3 pct pe MMLU-Pro (Artificial Analysis) față de 61.4 pct pe IFBench (Artificial Analysis).

MMLU-Pro (Artificial Analysis)96.3 pct86.6%Verifică →
LiveCodeBench (Artificial Analysis)92.4 pct81.9%Verifică →
IFBench (Artificial Analysis)61.4 pct53.7%Verifică →
GeneralNeevaluat
WebDev ArenaNeevaluat
Vision ArenaNeevaluat
Factuality ArenaNeevaluat
Search ArenaNeevaluat
Document ArenaNeevaluat
Agent ArenaNeevaluat
GPQA DiamondNeevaluat
AIME (matematică)Neevaluat
FrontierMathNeevaluat
SimpleQA VerifiedNeevaluat
ARC-AGI-2Neevaluat
Humanity's Last ExamNeevaluat
SimpleBenchNeevaluat
LiveBenchNeevaluat
BFCL v4 (apelare de funcții)Neevaluat
SWE-bench Verified (clasament live)Neevaluat
Terminal-Bench 4.0Neevaluat
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 4 stands at 66.7 (raw mean 83.3) — measured on 3 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 →