Sari la conținut
aiqbench

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

Tencent · pașaport de model

Hunyuan Large

hunyuan-large
  • Doar în cloud
  • Licență Proprietary
  • Lansat 2024-11-05(curatoriat)
4/27axe acoperite
General · LMArena
1,326#231 din 396
Cea mai bună percentilă
44.2Urmarea instrucțiunilor
Poziția în cohortă
45.4mediană 40.3

Ce spun datele

Evaluat pe 4 din 27 axe urmărite. Fiecare cifră de mai jos este rezultatul publicat al modelului pe acel clasament.

Neuniform: 3,3 puncte de percentilă între cea mai bună și cea mai slabă axă a sa — 44.2 pct pe Urmarea instrucțiunilor față de 40.9 pct pe Prompturi dificile.

  • Urmarea instrucțiunilor44.2 pct1,316Verifică →
  • General41.9 pct1,326Verifică →
  • Programare40.9 pct1,366Verifică →
  • Prompturi dificile40.9 pct1,330Verifică →
  • 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
  • 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.

  • hunyuan-large-2025-02-10 stands at 45.4 (raw mean 42) — measured on 4 of 27 axes.

    pozițieșablonVerifică →

  • hunyuan-large-2025-02-10 stands at 45.4 versus a cohort median of 40.3 across 140 models released within 180 days — above the peer median.

    cohortășablonVerifică →

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 →