Alibaba · pașaport de model
Qwen3 4b
qwen3-4b- Cea mai bună percentilă
- 80.0Halucinații HHEM (Vectara)
- Poziția după scorul compus
- 47.9contractat · 5/27 axe
Ce spun datele
Evaluat pe 5 din 27 axe urmărite. Fiecare cifră de mai jos este rezultatul publicat al modelului pe acel clasament.
Neuniform: 57,8 puncte de percentilă între cea mai bună și cea mai slabă axă a sa — 80 pct pe Halucinații HHEM (Vectara) față de 22.2 pct pe IFBench (Artificial Analysis).
- Halucinații HHEM (Vectara)80 pct94.3%Verifică →
- LiveCodeBench (Artificial Analysis)54.2 pct46.5%Verifică →
- MMLU-Pro (Artificial Analysis)40.1 pct69.6%Verifică →
- GPQA Diamond36.7 pct52.3%Verifică →
- IFBench (Artificial Analysis)22.2 pct32.5%Verifică →
- GeneralNeevaluat
- WebDev ArenaNeevaluat
- Vision ArenaNeevaluat
- Factuality ArenaNeevaluat
- Search ArenaNeevaluat
- Document ArenaNeevaluat
- Agent ArenaNeevaluat
- 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.
qwen3-4b stands at 47.9 (raw mean 46.6) — measured on 5 of 27 axes.
qwen3-4b ranks between #273 and #493 across 3 built-in weightings — best under "Raționament", 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 →