xAI · pașaport de model
grok-4.20-0309-reasoning
grok-4-20-0309-reasoning- Cea mai bună percentilă
- 78.7GPQA Diamond
- Poziția după scorul compus
- 54.7contractat · 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.
Neuniform: 54,3 puncte de percentilă între cea mai bună și cea mai slabă axă a sa — 78.7 pct pe GPQA Diamond față de 24.4 pct pe SimpleQA Verified.
- GPQA Diamond78.7 pct89.3%Verifică →
- AIME (matematică)75 pct92.2%Verifică →
- SimpleQA Verified24.4 pct30.2%Verifică →
- GeneralNeevaluat
- WebDev ArenaNeevaluat
- Vision ArenaNeevaluat
- Factuality ArenaNeevaluat
- Search ArenaNeevaluat
- Document ArenaNeevaluat
- Agent ArenaNeevaluat
- FrontierMathNeevaluat
- 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
- 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-4.20-0309-reasoning stands at 54.7 (raw mean 59.4) — measured on 3 of 27 axes.
grok-4.20-0309-reasoning ranks between #68 and #287 across 4 built-in weightings — best under "Raționament", 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 →