Llama 4 Behemoth Instruct大模型评测基准与性能对比

本页面提供了Llama 4 Behemoth Instruct,Gemini 2.5 Pro Experimental 03-25,DeepSeek-V3-0324,GPT-4.5,Claude Sonnet 3.7,DeepSeek-R1模型在MMLU Pro,GPQA Diamond,LiveCodeBench,MATH-500等评测基准中的详细对比数据,评测数据来源当前系统收录结果生成。数据如有问题可以通过微信公众号联系更正,感谢!

详细评测数据对比

评测基准 (Benchmark) Llama 4 Behemoth Instruct Gemini 2.5 Pro Experimental 03-25 DeepSeek-V3-0324 GPT-4.5 Claude Sonnet 3.7 DeepSeek-R1
MMLU Pro (知识问答)
82.20 0.00 81.20 86.10 0.00 84.00
GPQA Diamond (常识推理)
73.70 84.00 68.40 71.40 68.00 71.50
LiveCodeBench (代码生成)
49.40 70.40 49.20 46.40 0.00 65.90
MATH-500 (数学推理)
95.00 0.00 94.00 90.70 82.20 97.30

Llama 4 Behemoth Instruct模型评测结果对比图

Llama 4 Behemoth Instruct评测结果热力图

颜色越深,代表得分越高。可快速发现模型在不同评测项上的整体表现模式。