Azure · pașaport de model
Phi-4 Mini Instruct
phi-4-mini-instruct- Cea mai bună percentilă
- 14.9LiveCodeBench (Artificial Analysis)
- Poziția după scorul compus
- 26.4contractat · 4/27 axe
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
- 1.9 pct — Halucinații HHEM (Vectara) (76.5%)
- 4 pct — IFBench (Artificial Analysis) (21.1%)
- 14.2 pct — MMLU-Pro (Artificial Analysis) (46.5%)
Neuniform: 13 puncte de percentilă între cea mai bună și cea mai slabă axă a sa — 14.9 pct pe LiveCodeBench (Artificial Analysis) față de 1.9 pct pe Halucinații HHEM (Vectara).
- LiveCodeBench (Artificial Analysis)14.9 pct12.6%Verifică →
- MMLU-Pro (Artificial Analysis)14.2 pct46.5%Verifică →
- IFBench (Artificial Analysis)4 pct21.1%Verifică →
- Halucinații HHEM (Vectara)1.9 pct76.5%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
- SWE-bench Verified (clasament live)Neevaluat
- Terminal-Bench 4.0Neevaluat
- 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.
Phi-4 Mini Instruct stands at 26.4 (raw mean 8.8) — measured on 4 of 27 axes.
Phi-4 Mini Instruct scores at percentile 1.9 on Halucinații HHEM (Vectara).
Phi-4 Mini Instruct scores in the 4th percentile on IFBench (Artificial Analysis).
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 →