Mimo V2 Pro

Ce spun datele

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

Neuniform: 37,5 puncte de percentilă între cea mai bună și cea mai slabă axă a sa — 84.3 pct pe Urmarea instrucțiunilor față de 46.8 pct pe WebDev Arena.

• Urmarea instrucțiunilor84.3 pct1,445Verifică →
• Programare84.1 pct1,503Verifică →
• Prompturi dificile83.8 pct1,475Verifică →
• General81.8 pct1,448Verifică →
• IFBench (Artificial Analysis)80.2 pct68.8%Verifică →
• LiveBench59.5 pct58.1%Verifică →
• Factuality Arena55.2 pct1,443Verifică →
• WebDev Arena46.8 pct1,434Verifică →
• Vision ArenaNeevaluat
• Search ArenaNeevaluat
• Document ArenaNeevaluat
• Agent ArenaNeevaluat
• GPQA DiamondNeevaluat
• AIME (matematică)Neevaluat
• FrontierMathNeevaluat
• SimpleQA VerifiedNeevaluat
• ARC-AGI-2Neevaluat
• Humanity's Last ExamNeevaluat
• SimpleBenchNeevaluat
• 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
• 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.