Meta · pașaport de model
Llama 3 2 Vision 90b Instruct
llama-3-2-vision-90b-instruct- Ponderi deschise
- Licență Llama 3.2
- Lansat 2024-09-25(curatoriat)
- Cea mai bună percentilă
- 13.3Vision Arena
- Poziția în cohortă
- 40.8mediană 38.2
Acoperire redusă — citește cu prudență
Acest model apare doar pe 1 din 27 axe de benchmark luate în considerare. Poziția generală a fost contractată spre valoarea neutră 50 pentru a reflecta eșantionul mic, și nu a fost afirmat niciun punct slab — o percentilă scăzută pe 2 axe este un artefact al acoperirii, nu o slăbiciune măsurată.
Ce spun datele
Evaluat pe 1 din 27 axe urmărite. Fiecare cifră de mai jos este rezultatul publicat al modelului pe acel clasament.
Pe doar 1 clasament(e), o listă ordonată de puncte forte ar fi o autoritate falsă — în schimb, cifrele pe fiecare axă sunt afișate mai jos, fără verdict.
- Vision Arena13.3 pct1,032Verifică →
- GeneralNeevaluat
- WebDev 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
- MMLU-Pro (Artificial Analysis)Neevaluat
- LiveCodeBench (Artificial Analysis)Neevaluat
- IFBench (Artificial Analysis)Neevaluat
- Halucinații HHEM (Vectara)Neevaluat
- SWE-bench VerifiedNeevaluat
- Terminal-BenchNeevaluat
- 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.
llama-3.2-vision-90b-instruct stands at 40.8 (raw mean 13.3) — measured on only 1 of 27 axes, so the standing is shrunk toward the neutral 50.
llama-3.2-vision-90b-instruct stands at 40.8 versus a cohort median of 38.2 across 134 models released within 180 days — above the peer median.
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 →