Kimi K2 5 Thinking

Ce spun datele

Evaluat pe 9 din 27 axe urmărite. Fiecare cifră de mai jos este rezultatul publicat al modelului pe acel clasament.

Neuniform: 65,2 puncte de percentilă între cea mai bună și cea mai slabă axă a sa — 83.6 pct pe Programare față de 18.4 pct pe Document Arena.

• Programare83.6 pct1,502Verifică →
• General82.6 pct1,450Verifică →
• Urmarea instrucțiunilor82.1 pct1,439Verifică →
• Prompturi dificile81.8 pct1,471Verifică →
• LiveBench80.1 pct69.1%Verifică →
• Vision Arena72 pct1,252Verifică →
• Factuality Arena58.7 pct1,445Verifică →
• WebDev Arena48.9 pct1,436Verifică →
• Document Arena18.4 pct1,436Verifică →
• Search ArenaNeevaluat
• Agent ArenaNeevaluat
• GPQA DiamondNeevaluat
• AIME (matematică)Neevaluat
• FrontierMathNeevaluat
• SimpleQA VerifiedNeevaluat
• ARC-AGI-2Neevaluat
• Humanity's Last ExamNeevaluat
• SimpleBenchNeevaluat
• 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.