Pașaport de model
Openhands
openhands- Cea mai bună percentilă
- 76.9SWE-bench Verified (clasament live)
- Poziția după scorul compus
- 56.7contractat · 1/27 axe
Acoperire redusă — citește cu prudență
Acest model apare doar pe 1 din 27 axe de benchmark luate în considerare. Poziția generală a fost contractată spre valoarea neutră 50 pentru a reflecta eșantionul mic, și nu a fost afirmat niciun punct slab — o percentilă scăzută pe 2 axe este un artefact al acoperirii, nu o slăbiciune măsurată.
Ce spun datele
Evaluat pe 1 din 27 axe urmărite. Fiecare cifră de mai jos este rezultatul publicat al modelului pe acel clasament.
Pe doar 1 clasament(e), o listă ordonată de puncte forte ar fi o autoritate falsă — în schimb, cifrele pe fiecare axă sunt afișate mai jos, fără verdict.
- SWE-bench Verified (clasament live)76.9 pct65.8%Verifică →
- GeneralNeevaluat
- 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
- 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.
OpenHands stands at 56.7 (raw mean 76.9) — measured on only 1 of 27 axes, so the standing is shrunk toward the neutral 50.
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 →