Moonshot · pașaport de model
Kimi K2 Instruct
kimi-k2-instruct- Cea mai bună percentilă
- 50.8SWE-bench Verified (clasament live)
- Poziția după scorul compus
- 42.2contractat · 4/27 axe
Ce spun datele
Evaluat pe 4 din 27 axe urmărite. Fiecare cifră de mai jos este rezultatul publicat al modelului pe acel clasament.
Neuniform: 33,6 puncte de percentilă între cea mai bună și cea mai slabă axă a sa — 50.8 pct pe SWE-bench Verified (clasament live) față de 17.2 pct pe SimpleBench.
- SWE-bench Verified (clasament live)50.8 pct53.4%Verifică →
- LiveBench50.2 pct53.8%Verifică →
- Terminal-Bench27.3 pct27.8%Verifică →
- SimpleBench17.2 pct26.3%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
- 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
- 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.
Kimi-K2-Instruct stands at 42.2 (raw mean 36.4) — measured on 4 of 27 axes.
Kimi-K2-Instruct ranks between #108 and #588 across 3 built-in weightings — best under "Agentic", 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 →