llama-3.1-tulu-3-70b
45±1
44interval46
aiqbench · Benchmark-uri LLM
Benchmark-uri
- Surse
- 8
- Intrări urmărite
- 22.310
- Ultima sincronizare
- 44 minacum 44 de minute
Toate sursele se sincronizează normal
- Arena · Text· acum 5 ore
- Arena · WebDev· acum 5 ore
- Arena · Vision· acum 5 ore
- Arena · Agent· acum 5 ore
- GPQA Diamond· acum 44 de minute
- SWE-bench· acum 44 de minute
- Terminal-Bench· acum 44 de minute
- ARC-AGI-2· acum 44 de minute
Filtrează după organizație:
Lansat:
Llama-3.1-Tulu-3-70B-DPO
39±1
37interval41
O singură grilă, toate coloanele. Alege axe din panoul Axe — o axă clasifică precum un singur clasament, mai multe se combină într-un scor compus ponderat, toate la un loc se citesc ca indexul. Locul este atribuit înaintea oricărui filtru și nu se renumerotează niciodată.
| Model | Organizație | Interval | Oscilație | i | i | i | i | i | i | i | i | i | i | i | i | i | i | i | i | i | i | i | i | i | i | Adaugă la comparație | |||||||
|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|
| 581 | llama-3.1-tulu-3-70b | allenai | nov. 2024 | — | 44.8 29.3Clasat 44.8 = (1 × 29.3 + 3 × 50) ÷ 4. 29.3 este percentila medie pe cele 1 din 22 axe selectate pe care este măsurat modelul; cu cât sunt mai puține axe, cu atât tragerea spre 50 este mai puternică. | 44–46 | — | 1/22redusă | #280–581 | 29 | — | — | — | — | — | — | — | — | — | — | — | — | — | — | — | — | — | — | — | — | — | ||
| 841 | Llama-3.1-Tulu-3-70B-DPO | Allen Institute for AI,University of Washington | — | — | 38.6 21.5Clasat 38.6 = (2 × 21.5 + 3 × 50) ÷ 5. 21.5 este percentila medie pe cele 2 din 22 axe selectate pe care este măsurat modelul; cu cât sunt mai puține axe, cu atât tragerea spre 50 este mai puternică. | 37–41 | 13 | 2/22redusă | #333–841 | — | — | — | — | — | — | — | 28 | 15 | — | — | — | — | — | — | — | — | — | — | — | — | — |
Mixul este contractat după acoperire; scorul compus brut apare gri lângă el · O insignă „redusă” înseamnă că mai puțin de 3 clasamente au evaluat acest model