独立基准测试揭示了两个大型语言模型的性能指标。K2-V2 (中等) 在 GPQA 上得分 59.8%,在 MMLU-Pro 上得分 76.1%,长上下文推理得分为 28%。DeepSeek V3.2 (推理) 表现出更高的性能,在 GPQA 上得分为 84%,在 MMLU-Pro 上得分为 86.2%,并且在长上下文推理上取得了 73.3% 的显著成绩。 AI
影响 提供了两个 LLM 在关键基准测试上的比较性能数据,有助于模型选择和开发。
排序理由 报告了两个 LLM 的独立基准测试结果。
在 Mastodon — mastodon.social 阅读 →
- DeepSeek V3.2
- GPQA: A Graduate-Level Google-Proof Q&A Benchmark
- Humanity's Last Exam
- K2-V2
- long-context reasoning
- MMLU-Pro
AI 生成摘要 · Google Gemini · 来自 2 个来源。 我们如何撰写摘要 →