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

Mistral Large 3

mistral-large-3
  • Ponderi deschise
  • Licență Apache 2.0
  • Lansat 2025-10-24(curatoriat)
10/27axe acoperite
General · LMArena
1,414#132 din 396
Cea mai bună percentilă
71.1Programare
Poziția în cohortă
52.0mediană 53.3

Ce spun datele

Evaluat pe 10 din 27 axe urmărite. Fiecare cifră de mai jos este rezultatul publicat al modelului pe acel clasament.

Cele mai slabe axe

  • 8.6 pct — WebDev Arena (1,230)

Neuniform: 62,5 puncte de percentilă între cea mai bună și cea mai slabă axă a sa — 71.1 pct pe Programare față de 8.6 pct pe WebDev Arena.

  • Programare71.1 pct1,471Verifică →
  • MMLU-Pro (Artificial Analysis)70.4 pct80.7%Verifică →
  • Urmarea instrucțiunilor67.2 pct1,402Verifică →
  • General66.9 pct1,414Verifică →
  • Prompturi dificile66.7 pct1,432Verifică →
  • LiveCodeBench (Artificial Analysis)54.2 pct46.5%Verifică →
  • Vision Arena46 pct1,200Verifică →
  • Factuality Arena44.2 pct1,434Verifică →
  • IFBench (Artificial Analysis)30.9 pct36.2%Verifică →
  • WebDev Arena8.6 pct1,230Verifică →
  • 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
  • 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.

  • mistral-large-3 stands at 52 (raw mean 52.6) — measured on 10 of 27 axes.

    pozițieșablonVerifică →

  • mistral-large-3 stands at 52 versus a cohort median of 53.3 across 137 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 →