Kimi K2 0905 Preview

Ce spun datele

Evaluat pe 6 din 27 axe urmărite. Fiecare cifră de mai jos este rezultatul publicat al modelului pe acel clasament.

Neuniform: 64,5 puncte de percentilă între cea mai bună și cea mai slabă axă a sa — 83.1 pct pe SWE-bench Verified (clasament live) față de 18.6 pct pe Factuality Arena.

• SWE-bench Verified (clasament live)83.1 pct71.2%Verifică →
• Programare70.6 pct1,468Verifică →
• General69.9 pct1,419Verifică →
• Prompturi dificile69.4 pct1,438Verifică →
• Urmarea instrucțiunilor63.1 pct1,391Verifică →
• Factuality Arena18.6 pct1,402Verifică →
• WebDev ArenaNeevaluat
• Vision 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
• 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.