Microsoft · pașaport de model
Wizardlm 13b
wizardlm-13b- Ponderi deschise
- Licență Llama 2 Community
- Lansat 2023-05-09(curatoriat)
- General · LMArena
- 1,150#357 din 396
- Cea mai bună percentilă
- 10.1General
- Poziția în cohortă
- 26.0mediană 24.1
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
- 5.8 pct — Prompturi dificile (1,115)
- 5.9 pct — Programare (1,152)
- 10.1 pct — Urmarea instrucțiunilor (1,124)
Neuniform: 4,3 puncte de percentilă între cea mai bună și cea mai slabă axă a sa — 10.1 pct pe General față de 5.8 pct pe Prompturi dificile.
- General10.1 pct1,150Verifică →
- Urmarea instrucțiunilor10.1 pct1,124Verifică →
- Programare5.9 pct1,152Verifică →
- Prompturi dificile5.8 pct1,115Verifică →
- 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.
wizardlm-13b stands at 26 (raw mean 8) — measured on 4 of 27 axes.
wizardlm-13b stands at 26 versus a cohort median of 24.1 across 35 models released within 180 days — above the peer median.
wizardlm-13b scores at percentile 5.8 on Prompturi dificile.
wizardlm-13b scores at percentile 5.9 on Programare.
wizardlm-13b ranks between #373 and #781 across 5 built-in weightings — best under "Conversație pe primul loc", 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 →