Alibaba · pașaport de model
Qwen3 235B A22B 2507 Instruct
qwen3-235b-a22b-2507-instruct- Cea mai bună percentilă
- 82.4MMLU-Pro (Artificial Analysis)
- Poziția după scorul compus
- 57.3contractat · 3/27 axe
Ce spun datele
Evaluat pe 3 din 27 axe urmărite. Fiecare cifră de mai jos este rezultatul publicat al modelului pe acel clasament.
Neuniform: 29,9 puncte de percentilă între cea mai bună și cea mai slabă axă a sa — 82.4 pct pe MMLU-Pro (Artificial Analysis) față de 52.5 pct pe IFBench (Artificial Analysis).
- MMLU-Pro (Artificial Analysis)82.4 pct82.8%Verifică →
- LiveCodeBench (Artificial Analysis)59.2 pct52.4%Verifică →
- IFBench (Artificial Analysis)52.5 pct46.1%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
- 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.
Qwen3 235B A22B 2507 Instruct stands at 57.3 (raw mean 64.7) — measured on 3 of 27 axes.
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 →