Sari la conținut

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

Benchmark-uri

Surse
8
Intrări urmărite
22.318
Ultima sincronizare
1 h
Toate sursele se sincronizează normal
  • Arena · Textacum 3 ore
  • Arena · WebDevacum 3 ore
  • Arena · Visionacum 3 ore
  • Arena · Agentacum 3 ore
  • GPQA Diamondacum 1 oră
  • SWE-benchacum 1 oră
  • Terminal-Benchacum 1 oră
  • ARC-AGI-2acum 1 oră

nova-2-lite-v1:0

60±0

60interval61

amazonoscilație #136–#136

nova-2-lite

41±1

40interval42

amazonoct. 2026oscilație #171–#733

General ×1WebDev Arena ×1Vision Arena ×1Factuality Arena ×1Search Arena ×1Document Arena ×1Agent Arena ×1GPQA Diamond ×1AIME (matematică) ×1FrontierMath ×1SimpleQA Verified ×1ARC-AGI-2 ×1Humanity's Last Exam ×1SimpleBench ×1LiveBench ×1BFCL v4 (apelare de funcții) ×1inactivSWE-bench Verified (clasament live) ×1Terminal-Bench 4.0 ×1MMLU-Pro (Artificial Analysis) ×1LiveCodeBench (Artificial Analysis) ×1IFBench (Artificial Analysis) ×1Halucinații HHEM (Vectara) ×13 din 1034 modele
ModelOrganizațieIntervalOscilațieiiiiiiiiiiiiiiiiiiiiiiAdaugă la comparație
136nova-2-lite-v1:0amazon——60.4 91.4Clasat 60.4 = (1 × 91.4 + 3 × 50) ÷ 4. 91.4 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.——1/22redusă——————————————————————91
570Amazon-Nova-2-Lite-v1:0 (FC)amazon——45.1 30.5Clasat 45.1 = (1 × 30.5 + 3 × 50) ÷ 4. 30.5 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.——1/22redusă————————————————30——————
733nova-2-liteamazonoct. 2026—41.1 27.8Clasat 41.1 = (2 × 27.8 + 3 × 50) ÷ 5. 27.8 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.40–42322/22redusă#171–73344——12——————————————————

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

Puținele lucruri din AI și cuantic care au contat cu adevărat săptămâna asta — rezumate cinstit.

Un e-mail pe săptămână. Dezabonare dintr-un clic. Fără urmărire, fără partajare.