Kimi K2 Thinking Turbo

Ce spun datele

Evaluat pe 8 din 27 axe urmărite. Fiecare cifră de mai jos este rezultatul publicat al modelului pe acel clasament.

Neuniform: 58 de puncte de percentilă între cea mai bună și cea mai slabă axă a sa — 76.7 pct pe Programare față de 18.7 pct pe WebDev Arena.

• Programare76.7 pct1,487Verifică →
• Prompturi dificile75.5 pct1,453Verifică →
• Urmarea instrucțiunilor74.5 pct1,418Verifică →
• General74 pct1,430Verifică →
• GPQA Diamond67 pct84.2%Verifică →
• AIME (matematică)59 pct83.1%Verifică →
• Factuality Arena33.7 pct1,423Verifică →
• WebDev Arena18.7 pct1,322Verifică →
• Vision ArenaNeevaluat
• Search ArenaNeevaluat
• Document ArenaNeevaluat
• Agent ArenaNeevaluat
• 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.