Sari la conținut
aiqbench

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

Mistral · pașaport de model

Ministral 8b 2410

ministral-8b-2410
  • Ponderi deschise
  • Licență MRL
  • Lansat 2024-10-01(din numele modelului)
6/27axe acoperite
General · LMArena
1,238#306 din 396
Cea mai bună percentilă
67.6Halucinații HHEM (Vectara)
Poziția în cohortă
34.9mediană 38.4

Ce spun datele

Evaluat pe 6 din 27 axe urmărite. Fiecare cifră de mai jos este rezultatul publicat al modelului pe acel clasament.

Cele mai slabe axe

  • 6.8 pct — GPQA Diamond (27.1%)

Neuniform: 60,8 puncte de percentilă între cea mai bună și cea mai slabă axă a sa — 67.6 pct pe Halucinații HHEM (Vectara) față de 6.8 pct pe GPQA Diamond.

  • Halucinații HHEM (Vectara)67.6 pct92.6%Verifică →
  • Prompturi dificile23.2 pct1,251Verifică →
  • General23 pct1,238Verifică →
  • Programare22 pct1,274Verifică →
  • Urmarea instrucțiunilor21.7 pct1,211Verifică →
  • GPQA Diamond6.8 pct27.1%Verifică →
  • WebDev ArenaNeevaluat
  • Vision ArenaNeevaluat
  • Factuality ArenaNeevaluat
  • Search ArenaNeevaluat
  • Document ArenaNeevaluat
  • Agent ArenaNeevaluat
  • 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
  • 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.

  • ministral-8b-2410 stands at 34.9 (raw mean 27.4) — measured on 6 of 27 axes.

    pozițieșablonVerifică →

  • ministral-8b-2410 stands at 34.9 versus a cohort median of 38.4 across 135 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 →