מבחן הערכה
LongBench v2
מדידה עצמאית · לוח השוואה
מה הוא מודד
מסמכים ארוכים: עבודה על הקשרים ארוכים וריבוי מסמכים
מה הוא לא מודד
- אין לגזור ממנו יכולת בתחומים שלא נכללו במשימות שלו.
הערות על המבחן
Covers single/multi-doc QA, dialogue, code repos, structured data and long in-context learning.
תוצאות שנמדדו
| מערכת | ציון | פרוטוקול | מקור |
|---|---|---|---|
| Beam 1.0 501B-A23B | 67.5 | LongBench v2 · דיווח של הספק | קישור |
| 64.4 | LongBench v2 · מקור לא מאומת | קישור | |
| Qwen3.5 397B | 63.2 | LongBench v2 · דיווח של הספק | קישור |
| Qwen3.6 Plus | 62.0 | LongBench v2 · דיווח של הספק | קישור |
| Nemotron 3 Ultra | 61.9 | LongBench v2 · דיווח של הספק | קישור |
| 61.5 | LongBench v2 · דיווח של הספק | קישור | |
| Kimi K2.5 | 61.0 | LongBench v2 · דיווח של הספק | קישור |
| Kimi K2.5 (Reasoning) | 61.0 | LongBench v2 · דיווח של הספק | קישור |
| GLM-5 | 60.8 | LongBench v2 · מקור לא מאומת | קישור |
| MiMo-V2-Flash | 60.6 | LongBench v2 · דיווח של הספק | קישור |
| Qwen3.5-27B | 60.6 | LongBench v2 · דיווח של הספק | קישור |
| Qwen3.5-122B-A10B | 60.2 | LongBench v2 · דיווח של הספק | קישור |
| Qwen3.5-35B-A3B | 59.0 | LongBench v2 · דיווח של הספק | קישור |
| DeepSeek V3 | 48.7 | LongBench v2 · דיווח של הספק | קישור |