Google · pașaport de model
Palm 2
palm-2- Doar în cloud
- Licență Proprietary
- Lansat 2023-05-10(curatoriat)
- General · LMArena
- 1,139#365 din 396
- Cea mai bună percentilă
- 9.1Urmarea instrucțiunilor
- Poziția în cohortă
- 26.1mediană 25.2
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
- 6.4 pct — Programare (1,153)
- 8.1 pct — General (1,139)
- 8.8 pct — Prompturi dificile (1,147)
Neuniform: 2,7 puncte de percentilă între cea mai bună și cea mai slabă axă a sa — 9.1 pct pe Urmarea instrucțiunilor față de 6.4 pct pe Programare.
- Urmarea instrucțiunilor9.1 pct1,118Verifică →
- Prompturi dificile8.8 pct1,147Verifică →
- General8.1 pct1,139Verifică →
- Programare6.4 pct1,153Verifică →
- 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.
palm-2 stands at 26.1 (raw mean 8.1) — measured on 4 of 27 axes.
palm-2 stands at 26.1 versus a cohort median of 25.2 across 38 models released within 180 days — above the peer median.
palm-2 scores at percentile 6.4 on Programare.
palm-2 scores at percentile 8.1 on General.
palm-2 ranks between #380 and #802 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 →