GSM8K
Resultados de evaluaciones comparativas de IA y rendimiento de modelos
Tipo: percentage
Resultados registrados
62
Puntuación media
80.12%
Rango de puntuaciones
25.20% - 97%
Modelo líder
97% - GPT 4.5 Preview
Puntuaciones a lo largo del tiempo
Puntuaciones individuales de la evaluación a lo largo del tiempo.
Resultados de modelos
| Organización | Modelos | Fecha del resultado | Mejor puntuación | Información | Autodeclarado | Fuente |
|---|---|---|---|---|---|---|
| GPT 4.5 Preview | 27 feb 2025 | 97 % | - | Sí | Fuente | |
| Qwen 72B | - | 95,80 % | inferred family alias from qwen-2.5-72b-instruct (score=0.3060; benches=14) | Sí | Fuente | |
| DeepSeek V2.5 (2024-09-05) | 05 sept 2024 | 95,10 % | inferred alias from deepseek-v2.5 | Sí | Fuente | |
| DeepSeek V2.5 (2024-12-10) | 10 dic 2024 | 95,10 % | inferred alias from deepseek-v2.5 | Sí | Fuente | |
| Qwen 14B | - | 94,80 % | inferred family alias from qwen-2.5-14b-instruct (score=0.3060; benches=16) | Sí | Fuente | |
| Qwen 3 235B A22B | - | 94,39 % | - | Sí | Fuente | |
| Granite 4.1 30B | 29 abr 2026 | 94,16 % | 8-shot | Sí | Fuente | |
| Mistral Large 2.1 | 18 nov 2024 | 93 % | inferred version-family alias from mistral-large-2-2407 | Sí | Fuente | |
| Mistral OCR 2 | 22 may 2025 | 93 % | inferred family alias from mistral-large-2-2407 (score=0.3100; benches=5) | Sí | Fuente | |
| DeepSeek V4.1 Flash | 10 sept 2026 | 93 % | Base model; 8-shot; EM | Sí | Fuente | |
| DeepSeek V4 Pro | 24 abr 2026 | 92,60 % | Hugging Face evaluation result | Sí | Fuente | |
| Granite 4.1 8B | 29 abr 2026 | 92,49 % | 8-shot | Sí | Fuente | |
| Kimi K2 (2025-07-11) | 11 jul 2025 | 92,10 % | EM | Sí | Fuente | |
| Qwen 7B | - | 91,60 % | inferred family alias from qwen-2.5-7b-instruct (score=0.3083; benches=14) | Sí | Fuente | |
| Llama 3.1 Nemotron 70B Instruct | 01 oct 2024 | 91,43 % | - | Sí | Fuente | |
| Qwen 2 Math 72B | - | 91,10 % | inferred high-confidence family alias from qwen2-72b-instruct (score=0.4667; benches=17) | Sí | Fuente | |
| Qwen 2 Math RM 72B | - | 91,10 % | inferred family alias from qwen2-72b-instruct (score=0.3917; benches=17) | Sí | Fuente | |
| Gemini 1.5 Pro 001 | 23 may 2024 | 90,80 % | inferred alias from gemini-1.5-pro | Sí | Fuente | |
| Gemini 1.5 Pro Exp (2024-08-01) | 01 ago 2024 | 90,80 % | inferred alias from gemini-1.5-pro | Sí | Fuente | |
| Gemini 1.5 Pro Exp (2024-08-27) | 27 ago 2024 | 90,80 % | inferred alias from gemini-1.5-pro | Sí | Fuente | |
| Gemini Robotics ER 1.5 Preview | 25 sept 2025 | 90,80 % | inferred family alias from gemini-1.5-pro (score=0.3717; benches=23) | Sí | Fuente | |
| LearnLM 1.5 Pro Experimental | 19 nov 2024 | 90,80 % | inferred family alias from gemini-1.5-pro (score=0.3700; benches=23) | Sí | Fuente | |
| Grok 1.5 | 28 mar 2024 | 90 % | - | Sí | Fuente | |
| Phi 3.5 MoE instruct | 23 ago 2024 | 88,70 % | - | Sí | Fuente | |
| Qwen 2.5 Coder 3B | - | 88,70 % | inferred family alias from qwen2.5-omni-7b (score=0.3000; benches=45) | Sí | Fuente |
