Pașaport de model
Tulu 2 Dpo 70b
tulu-2-dpo-70b- Ponderi deschise
- Licență AI2 ImpACT Low-risk
- Lansat 2023-11-13(curatoriat)
- General · LMArena
- 1,178#342 din 396
- Cea mai bună percentilă
- 16.2Urmarea instrucțiunilor
- Poziția în cohortă
- 29.9mediană 28.2
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
- 13.8 pct — Programare (1,215)
- 13.9 pct — General (1,178)
Neuniform: 2,4 puncte de percentilă între cea mai bună și cea mai slabă axă a sa — 16.2 pct pe Urmarea instrucțiunilor față de 13.8 pct pe Programare.
- Urmarea instrucțiunilor16.2 pct1,171Verifică →
- Prompturi dificile15.2 pct1,188Verifică →
- General13.9 pct1,178Verifică →
- Programare13.8 pct1,215Verifică →
- 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.
tulu-2-dpo-70b stands at 29.9 (raw mean 14.8) — measured on 4 of 27 axes.
tulu-2-dpo-70b stands at 29.9 versus a cohort median of 28.2 across 72 models released within 180 days — above the peer median.
tulu-2-dpo-70b scores at percentile 13.8 on Programare.
tulu-2-dpo-70b scores at percentile 13.9 on General.
tulu-2-dpo-70b ranks between #349 and #740 across 5 built-in weightings — best under "Axat pe programare", 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 →