各智能体的性能参数比较及解释

图中的参数和指标代表了不同模型在多个基准测试中的性能表现。以下是对各列和指标的详细解释：

---

### **模型列**
1. **DeepSeek V3**：DeepSeek 的最新版本模型。
2. **DeepSeek V2.5**：DeepSeek 的上一版本模型。
3. **Qwen2.5**：另一个模型（可能是竞争对手或开源模型）。
4. **Llama3.1**：Meta 的 Llama 系列模型的一个版本。
5. **Claude-3.5**：Anthropic 的 Claude 模型的一个版本。
6. **GPT-4o**：OpenAI 的 GPT-4 模型的一个版本。

---

### **参数列**
1. **Architecture**：模型架构。
   - **MoE**：Mixture of Experts（专家混合模型）。
   - **Dense**：密集模型（标准神经网络架构）。
2. **# Activated Params**：激活参数数量（单位：B 表示十亿）。
3. **# Total Params**：总参数数量（单位：B 表示十亿）。

---

### **基准测试指标**
1. **MMLU (EM)**：多任务语言理解（Exact Match，精确匹配）。
2. **MMLU-Redux (EM)**：MMLU 的简化版本。
3. **MMLU-Pro (EM)**：MMLU 的专业版本。
4. **DROP (3-shot F1)**：DROP 数据集上的 3-shot F1 分数。
5. **IF-Eval (Prompt Strict)**：指令跟随评估（严格模式）。
6. **GPQA-Diamond (Pass@1)**：GPQA 数据集上的通过率（Pass@1）。
7. **SimpleQA (Correct)**：简单问答的正确率。
8. **FRAMES (Acc.)**：FRAMES 数据集上的准确率。
9. **LongBench v2 (Acc.)**：长文本基准测试的准确率。
10. **HumanEval-Mul (Pass@1)**：多语言 HumanEval 数据集上的通过率。
11. **LiveCodeBench (Pass@1-COT)**：代码生成基准测试（使用 Chain-of-Thought 提示）。
12. **LiveCodeBench (Pass@1)**：代码生成基准测试（标准模式）。
13. **Codeforces (Percentile)**：Codeforces 竞赛中的百分位数。
14. **SWE Verified (Resolved)**：软件工程验证任务中的解决率。
15. **Alder-Edit (Acc.)**：Alder 编辑任务的准确率。
16. **Alder-Polyglot (Acc.)**：Alder 多语言任务的准确率。
17. **AIME 2024 (Pass@1)**：AIME 数学竞赛的通过率。
18. **MATH-500 (EM)**：MATH 数据集上的精确匹配。
19. **CNMO 2024 (Pass@1)**：CNMO 数学竞赛的通过率。
20. **CLUEWSC (EM)**：中文语言理解评估（Exact Match）。
21. **C-Eval (EM)**：中文评估数据集上的精确匹配。
22. **C-SimpleQA (Correct)**：中文简单问答的正确率。