Pașaport de model
Mpt 30b Chat
mpt-30b-chat- Ponderi deschise
- Licență CC-BY-NC-SA-4.0
- Lansat 2023-06-22(curatoriat)
- General · LMArena
- 1,151#356 din 396
- Cea mai bună percentilă
- 11.9Urmarea instrucțiunilor
- Poziția în cohortă
- 27.4mediană 26.0
Ce spun datele
Evaluat pe 4 din 27 axe urmărite. Fiecare cifră de mai jos este rezultatul publicat al modelului pe acel clasament.
Cele mai slabe axe
- 8.4 pct — Programare (1,168)
- 10.4 pct — General (1,151)
- 10.9 pct — Prompturi dificile (1,158)
Neuniform: 3,5 puncte de percentilă între cea mai bună și cea mai slabă axă a sa — 11.9 pct pe Urmarea instrucțiunilor față de 8.4 pct pe Programare.
- Urmarea instrucțiunilor11.9 pct1,135Verifică →
- Prompturi dificile10.9 pct1,158Verifică →
- General10.4 pct1,151Verifică →
- Programare8.4 pct1,168Verifică →
- WebDev ArenaNeevaluat
- Vision ArenaNeevaluat
- Factuality 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.
mpt-30b-chat stands at 27.4 (raw mean 10.4) — measured on 4 of 27 axes.
mpt-30b-chat stands at 27.4 versus a cohort median of 26 across 48 models released within 180 days — above the peer median.
mpt-30b-chat scores at percentile 8.4 on Programare.
mpt-30b-chat scores at percentile 10.4 on General.
mpt-30b-chat ranks between #368 and #777 across 5 built-in weightings — best under "Conversație pe primul loc", worst under "Toate sursele".
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 →