AI মডেল বেঞ্চমার্ক
মানক: 36 · HF: 22
বেঞ্চমার্ক সম্পর্কে
বেঞ্চমার্ক হলো মানসম্মত পরীক্ষা যা যাচাই করে AI মডেল যুক্তি, জ্ঞান, গণিত ও কোডিংয়ে কতটা ভালো করে। এগুলো দিয়ে মডেল নিরপেক্ষভাবে তুলনা করুন এবং কাজের জন্য সঠিকটি বেছে নিন।
📊 মানক. স্ট্যান্ডার্ড - সর্বাধিক উদ্ধৃত চারটি পাবলিক বেঞ্চমার্ক (MMLU, GPQA, HumanEval, SWE-Bench), প্রতিটি মডেলের ঘোষণা পৃষ্ঠা থেকে নেওয়া; আমাদের স্কোর এগুলোকে একটি সংখ্যায় মেলায়।
🤗 HF Open LLM Leaderboard. HF Open LLM Leaderboard - ওপেন-সোর্স মডেলের জন্য অভিন্নভাবে মাপা ছয়টি টাস্ক (IFEval, BBH, MATH, GPQA, MuSR, MMLU-Pro); গড় অনুযায়ী র্যাঙ্কিং।
📚MMLU
৫৭টি একাডেমিক বিষয়
🔬GPQA Diamond
PhD স্তরের বিজ্ঞান প্রশ্ন
💻HumanEval
Python কোড জেনারেশন
🔧SWE-Bench
বাস্তব GitHub ইঞ্জিনিয়ারিং কাজ
| # | মডেল↕ | প্রদানকারী↕ | MMLU↕ | GPQA↕ | HumanEval↕ | SWE-Bench↕ | স্কোর↑ |
|---|---|---|---|---|---|---|---|
| 1 | Meta | 63.4 | 24.7 | 58.3 | 9.5 | 37.0 | |
| 2 | Mistral AI | 68.0 | 32.0 | 73.4 | 15.0 | 45.3 | |
| 3 | 75.2 | 38.4 | 74.0 | 14.7 | 48.7 | ||
| 4 | Meta | 83.6 | 46.7 | 80.5 | 21.8 | 56.3 | |
| 5 | Alibaba/Qwen | 80.0 | 42.0 | 92.3 | 30.0 | 59.2 | |
| 6 | Alibaba/Qwen | 86.1 | 49.0 | 86.5 | 23.7 | 59.5 | |
| 7 | Meta | 88.6 | 50.7 | 89.0 | 34.1 | 63.7 | |
| 8 | DeepSeek | 88.5 | 59.1 | 89.4 | 42.0 | 68.3 | |
| 9 | DeepSeek | 90.8 | 71.5 | 92.6 | 49.2 | 75.1 |
Score = MMLU×20% + GPQA×30% + HumanEval×25% + SWE-Bench×25%সব স্কোর % এ · বেশি মানে ভালো→ মূল্য ও গতিসহ সম্পূর্ণ মডেল টেবিল