Sari la conținut
aiqbench

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

Ant-Group · pașaport de model

Ling Flash 2.0

ling-flash-2-0
  • Ponderi deschise
  • Licență MIT
  • 102.9B parametri
  • Lansat 2025-09-17(repo HF creat)
7/27axe acoperite
General · LMArena
1,343#210 din 396
Cea mai bună percentilă
62.2LiveCodeBench (Artificial Analysis)
Poziția în cohortă
49.0mediană 52.6

Ce spun datele

Evaluat pe 7 din 27 axe urmărite. Fiecare cifră de mai jos este rezultatul publicat al modelului pe acel clasament.

Neuniform: 35,3 puncte de percentilă între cea mai bună și cea mai slabă axă a sa — 62.2 pct pe LiveCodeBench (Artificial Analysis) față de 26.9 pct pe IFBench (Artificial Analysis).

  • LiveCodeBench (Artificial Analysis)62.2 pct58.9%Verifică →
  • MMLU-Pro (Artificial Analysis)58.8 pct77.7%Verifică →
  • Programare52.2 pct1,409Verifică →
  • Prompturi dificile49.2 pct1,365Verifică →
  • General47.2 pct1,343Verifică →
  • Urmarea instrucțiunilor43.9 pct1,316Verifică →
  • IFBench (Artificial Analysis)26.9 pct34.4%Verifică →
  • 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
  • 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.

Cum îl rulezi

Rulează-l singur

RepositoryinclusionAI/Ling-flash-2.0
Parametri102.9B
ArhitecturăBailingMoeV2ForCausalLM
LicențăMIT

Transformers

from transformers import AutoModelForCausalLM, AutoTokenizer

model_id = "inclusionAI/Ling-flash-2.0"
tokenizer = AutoTokenizer.from_pretrained(model_id)
model = AutoModelForCausalLM.from_pretrained(model_id)

Ollama

Nu sincronizăm tag-urile Ollama, așa că nu afișăm o comandă pe care nu o putem verifica — una greșită ar descărca modelul greșit. Caută în biblioteca Ollama →

Rețetele de fine-tuning Unsloth sunt specifice fiecărui model și nu le derivăm aici. Documentația Unsloth →

Identificatorii, limitele și prețurile sunt sincronizate din sursa upstream afișată mai sus. Orice câmp nesincronizat este omis complet, nu ghicit.

  • The ling-flash-2.0 model from ant-group has a shrunk composite score of 49 (raw composite 48.6), with scores on 7 of 27 axes, and its coverage is not flagged as thin.

    pozițieVerifică →

  • The model ling-flash-2.0 from ant-group has a standing of 49, compared with a cohort median standing of 52.6 across a cohort size of 147 over a cohort window of 180 days.

    cohortăVerifică →

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 →