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

Mistral AI · pașaport de model

Mistral-7B-Instruct-v0.3

mistral-7b-instruct-v0-3

Cea mai bună percentilă: 7.2LiveBench
Poziția după scorul compus: 26.8contractat · 3/27 axe

Ce spun datele

Evaluat pe 3 din 27 axe urmărite. Fiecare cifră de mai jos este rezultatul publicat al modelului pe acel clasament.

Cele mai slabe axe

1.5 pct — AIME (matematică) (0.3%)
2.3 pct — GPQA Diamond (15.2%)
7.2 pct — LiveBench (20.1%)

Neuniform: 5,7 puncte de percentilă între cea mai bună și cea mai slabă axă a sa — 7.2 pct pe LiveBench față de 1.5 pct pe AIME (matematică).

LiveBench7.2 pct20.1%Verifică →
GPQA Diamond2.3 pct15.2%Verifică →
AIME (matematică)1.5 pct0.3%Verifică →
GeneralNeevaluat
WebDev ArenaNeevaluat
Vision ArenaNeevaluat
Factuality ArenaNeevaluat
Search ArenaNeevaluat
Document ArenaNeevaluat
Agent ArenaNeevaluat
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
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.

Mistral-7B-Instruct-v0.3 stands at 26.8 (raw mean 3.7) — measured on 3 of 27 axes.
pozițieșablonVerifică →

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 →