Sari la conținut
aiqbench

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

Inception-AI · pașaport de model

Mercury

mercury
  • Doar în cloud
  • Licență Proprietary
  • Lansat 2026-10-15(văzut prima dată pe LMArena)
5/27axe acoperite
General · LMArena
1,305#261 din 396
Cea mai bună percentilă
40.7Programare
Poziția în cohortă
36.6mediană 60.7

Ce spun datele

Evaluat pe 5 din 27 axe urmărite. Fiecare cifră de mai jos este rezultatul publicat al modelului pe acel clasament.

Cele mai slabe axe

  • 1.2 pct — Factuality Arena (1,304)

Neuniform: 39,5 puncte de percentilă între cea mai bună și cea mai slabă axă a sa — 40.7 pct pe Programare față de 1.2 pct pe Factuality Arena.

  • Programare40.7 pct1,364Verifică →
  • Prompturi dificile36.1 pct1,318Verifică →
  • General34.3 pct1,305Verifică →
  • Urmarea instrucțiunilor30.6 pct1,271Verifică →
  • Factuality Arena1.2 pct1,304Verifică →
  • WebDev ArenaNeevaluat
  • Vision 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

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.

  • mercury stands at 36.6 (raw mean 28.6) — measured on 5 of 27 axes.

    pozițieșablonVerifică →

  • mercury stands at 36.6 versus a cohort median of 60.7 across 169 models released within 180 days — below the peer median.

    cohortășablonVerifică →

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 →