Sari la conținut
aiqbench

Română · beta. Traducerea a fost făcută automat și este încă în curs de revizuire. Citește pagina în engleză

Stepfun · pașaport de model

Step 2 16k Exp 202412

step-2-16k-exp-202412
  • Doar în cloud
  • Licență Proprietary
  • Lansat 2026-10-15(văzut prima dată pe LMArena)
4/27axe acoperite
General · LMArena
1,333#225 din 396
Cea mai bună percentilă
43.7Urmarea instrucțiunilor
Poziția în cohortă
46.2mediană 60.7

Ce spun datele

Evaluat pe 4 din 27 axe urmărite. Fiecare cifră de mai jos este rezultatul publicat al modelului pe acel clasament.

Neuniform: 0,5 puncte de percentilă între cea mai bună și cea mai slabă axă a sa — 43.7 pct pe Urmarea instrucțiunilor față de 43.2 pct pe Prompturi dificile.

  • Urmarea instrucțiunilor43.7 pct1,315Verifică →
  • General43.4 pct1,333Verifică →
  • Programare43.2 pct1,370Verifică →
  • Prompturi dificile43.2 pct1,338Verifică →
  • 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.

  • step-2-16k-exp-202412 stands at 46.2 (raw mean 43.4) — measured on 4 of 27 axes.

    pozițieșablonVerifică →

  • step-2-16k-exp-202412 stands at 46.2 versus a cohort median of 60.7 across 169 models released within 180 days — below the peer median.

    cohortășablonVerifică →

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 →