List your company

Multitask Language Understanding on MMLU (test)

92.16AccuracyClaude 3.5 Sonnet
63.227270.738678.2585.7614Mar 29, 2022Dec 8, 2022Aug 19, 2023Apr 30, 2024Jan 9, 2025Sep 20, 2025Jun 2, 2026

Evaluation results

MethodLinks
Claude 3.5 Sonnet2024.0692.161.84—————————————————————————————————————————————————————————————————
GPT-4o2024.0691.611.81—————————————————————————————————————————————————————————————————
No DefenseModel=GPT-4o2025.0590——————————————————————————————————————————————————————————————————
Average human expert performance2022.0389.8——————————————————————————————————————————————————————————————————
Mistral-Nemo 12B2024.0689.752.45—————————————————————————————————————————————————————————————————
Self-ReminderModel=GPT-4o2025.0589——————————————————————————————————————————————————————————————————
SAGEModel=GPT-4o2025.0589——————————————————————————————————————————————————————————————————
No DefenseModel=Claude-3.5-Sonnet2025.0588——————————————————————————————————————————————————————————————————
Gemma-2 9B2024.0687.282.34—————————————————————————————————————————————————————————————————
Self-ReminderModel=Claude-3.5-Sonnet2025.0587——————————————————————————————————————————————————————————————————
ICDModel=Claude-3.5-Sonnet2025.0587——————————————————————————————————————————————————————————————————
SAGEModel=Claude-3.5-Sonnet2025.0587——————————————————————————————————————————————————————————————————
GPT-4shots=5-shot2023.0786.4——————————————————————————————————————————————————————————————————
Goal PrioritizationModel=Claude-3.5-Sonnet2025.0585——————————————————————————————————————————————————————————————————
IAModel=Claude-3.5-Sonnet2025.0585——————————————————————————————————————————————————————————————————
IAModel=GPT-4o2025.0584——————————————————————————————————————————————————————————————————
Gemma 7B2024.0683.312.93—————————————————————————————————————————————————————————————————
Llama-3 8B2024.0682.632.84—————————————————————————————————————————————————————————————————
QWEN3-14BModel Architecture=QWEN3-14B, Configuration Type=Dense, Evaluation Protocol=5-shot, Sparsity Level=0%2026.0182.15——————————————————————————————————————————————————————————————————
Goal PrioritizationModel=GPT-4o2025.0582——————————————————————————————————————————————————————————————————
Self-ExaminationModel=Claude-3.5-Sonnet2025.0582——————————————————————————————————————————————————————————————————
Mistral 7B2024.0681.452.89—————————————————————————————————————————————————————————————————
Self-ReminderModel=GPT-4o-mini2025.0580——————————————————————————————————————————————————————————————————
SAGEModel=GPT-4o-mini2025.0580——————————————————————————————————————————————————————————————————
PaLM-2-Lshots=5-shot2023.0778.3——————————————————————————————————————————————————————————————————
ICDModel=GPT-4o-mini2025.0578——————————————————————————————————————————————————————————————————
No DefenseModel=GPT-4o-mini2025.0577——————————————————————————————————————————————————————————————————
Olmo 3Model Scale=32B, Training Stage=Stage 2 Soup, Cumulative training tokens=5.7T2025.1276.9——————————————————————————————————————————————————————————————————
QWEN3-4BModel Architecture=QWEN3-4B, Configuration Type=Dense, Evaluation Protocol=5-shot, Sparsity Level=0%2026.0175.56——————————————————————————————————————————————————————————————————
Flan-PaLM 540Bprompting=CoT + self-consistency2022.1075.2——————————————————————————————————————————————————————————————————
Goal PrioritizationModel=GPT-4o-mini2025.0575——————————————————————————————————————————————————————————————————
IAModel=GPT-4o-mini2025.0575——————————————————————————————————————————————————————————————————
Self-ReminderBackbone=Qwen2.5-7B-Instruct2025.0575——————————————————————————————————————————————————————————————————
No DefenseBackbone=Llama-3.1-8B-Instruct2025.0575——————————————————————————————————————————————————————————————————
Self-ExaminationModel=GPT-4o2025.0574——————————————————————————————————————————————————————————————————
ICDBackbone=Qwen2.5-7B-Instruct2025.0573——————————————————————————————————————————————————————————————————
DEEPSEEK-R1-QWEN-8BModel Architecture=DEEPSEEK-R1-QWEN-8B, Configuration Type=Dense, Evaluation Protocol=5-shot, Sparsity Level=0%2026.0172.29——————————————————————————————————————————————————————————————————
Flan-PaLM 540Bprompting=direct prompting2022.1072.2——————————————————————————————————————————————————————————————————
Flan-PaLM# Parameters=540B, 5-shot in-context learning=true, Direct prompting=true2023.0172.2——————————————————————————————————————————————————————————————————
JF-HPOModel=Qwen-3 14B2026.0672.14——————————————————————————————————————————————————————————————————
No DefenseBackbone=Qwen2.5-7B-Instruct2025.0572——————————————————————————————————————————————————————————————————
SAGEBackbone=Llama-3.1-8B-Instruct2025.0572——————————————————————————————————————————————————————————————————
Codex + REPLUG LSR# Parameters=175B, 5-shot in-context learning=true, Direct prompting=true2023.0171.8—————————————————————————————————————————————————————————76.579.958.973.2—————
Mixtral-8x7B-v0.1Shots=5-shot, Model Size Group=13 ~ 20B Models2024.0371.8——————————————————————————————————————————————————————————————————
Codex + REPLUG# Parameters=175B, 5-shot in-context learning=true, Direct prompting=true2023.0171.4—————————————————————————————————————————————————————————7679.758.872.1—————
JF-HPOModel=Qwen-2.5 7B2026.0671.23——————————————————————————————————————————————————————————————————
SAGEBackbone=Qwen2.5-7B-Instruct2025.0571——————————————————————————————————————————————————————————————————
VeRL RecipeModel=Qwen-3 14B2026.0670.92——————————————————————————————————————————————————————————————————
U-PaLMParameters=540B, Shots=5-shot2022.1070.7——————————————————————————————————————————————————————————————————
Flan-PaLM 540Bprompting=CoT prompting2022.1070.2——————————————————————————————————————————————————————————————————
GPT-3.5shots=5-shot2023.0770——————————————————————————————————————————————————————————————————
ICDBackbone=Llama-3.1-8B-Instruct2025.0570——————————————————————————————————————————————————————————————————
FP16Model=LLaMA2-70B, Bits=16, Evaluation Protocol=5-shot2023.1169.58——————————————————————————————————————————————————————————————————
BOHBModel=Qwen-2.5 7B2026.0669.58——————————————————————————————————————————————————————————————————
PaLM 540Bprompting=CoT + self-consistency2022.1069.5——————————————————————————————————————————————————————————————————
PaLMParameters=540B, Shots=5-shot2022.1069.3——————————————————————————————————————————————————————————————————
PaLM 540Bprompting=direct prompting2022.1069.3——————————————————————————————————————————————————————————————————
PaLMParameters=540B, Protocol=5-shot2023.0269.3—————————————————————————————————————————————————————————778155.669.6—————
PaLM# Parameters=540B, 5-shot in-context learning=true, Direct prompting=true2023.0169.3—————————————————————————————————————————————————————————778155.669.6—————
PaLMshots=5-shot2023.0769.3——————————————————————————————————————————————————————————————————
NF4-symModel=LLaMA2-70B, Bits=4, Group Size=64, Evaluation Protocol=5-shot2023.1169.18——————————————————————————————————————————————————————————————————
No DefenseBackbone=Gemma-2-9B-IT2025.0569——————————————————————————————————————————————————————————————————
ICDBackbone=Gemma-2-9B-IT2025.0569——————————————————————————————————————————————————————————————————
IABackbone=Gemma-2-9B-IT2025.0569——————————————————————————————————————————————————————————————————
IABackbone=Qwen2.5-7B-Instruct2025.0569——————————————————————————————————————————————————————————————————
Random SearchModel=Qwen-2.5 7B2026.0668.98——————————————————————————————————————————————————————————————————
NF4-asymModel=LLaMA2-70B, Bits=4, Group Size=64, Evaluation Protocol=5-shot2023.1168.93——————————————————————————————————————————————————————————————————
LLAMA 2Size=70B2023.0768.9——————————————————————————————————————————————————————————————————
LLAMA 2shots=5-shot, size=70B2023.0768.9——————————————————————————————————————————————————————————————————
NF4-asymModel=LLaMA2-70B, Bits=4, Group Size=128, Evaluation Protocol=5-shot2023.1168.81——————————————————————————————————————————————————————————————————
VeRL RecipeModel=Qwen-2.5 7B2026.0668.81——————————————————————————————————————————————————————————————————
NF4-symModel=LLaMA2-70B, Bits=4, Group Size=128, Evaluation Protocol=5-shot2023.1168.66——————————————————————————————————————————————————————————————————
NF4-asymModel=LLaMA2-70B, Bits=4, Group Size=256, Evaluation Protocol=5-shot2023.1168.64——————————————————————————————————————————————————————————————————
INT4Model=LLaMA2-70B, Bits=4, Group Size=64, Evaluation Protocol=5-shot2023.1168.53——————————————————————————————————————————————————————————————————
INT4Model=LLaMA2-70B, Bits=4, Group Size=256, Evaluation Protocol=5-shot2023.1168.43——————————————————————————————————————————————————————————————————
NF4-symModel=LLaMA2-70B, Bits=4, Group Size=256, Evaluation Protocol=5-shot2023.1168.41——————————————————————————————————————————————————————————————————
JF-HPOModel=LLaMA-3.1 8B2026.0668.34——————————————————————————————————————————————————————————————————
INT4Model=LLaMA2-70B, Bits=4, Group Size=128, Evaluation Protocol=5-shot2023.1168.32——————————————————————————————————————————————————————————————————
Codex# Parameters=175B, 5-shot in-context learning=true, Direct prompting=true2023.0168.3—————————————————————————————————————————————————————————74.276.957.870.1—————
Self-ReminderBackbone=Gemma-2-9B-IT2025.0568——————————————————————————————————————————————————————————————————
Self-ReminderBackbone=Llama-3.1-8B-Instruct2025.0568——————————————————————————————————————————————————————————————————
NF4-symModel=LLaMA2-70B, Bits=4, Group Size=1, Evaluation Protocol=5-shot2023.1167.96——————————————————————————————————————————————————————————————————
Qwen-14BShots=5-shot, Model Size Group=13 ~ 20B Models2024.0367.9——————————————————————————————————————————————————————————————————
INT4Model=LLaMA2-70B, Bits=4, Group Size=1, Evaluation Protocol=5-shot2023.1167.82——————————————————————————————————————————————————————————————————
NF4-asymModel=LLaMA2-70B, Bits=4, Group Size=1, Evaluation Protocol=5-shot2023.1167.78——————————————————————————————————————————————————————————————————
InternLM2-20BShots=5-shot, Model Size Group=13 ~ 20B Models2024.0367.7——————————————————————————————————————————————————————————————————
ChinchillaShots=5-shot2022.1067.6——————————————————————————————————————————————————————————————————
Chinchillashots=5-shot2022.0367.6——————————————————————————————————————————————————————————————————
ChinchillaSetting=5-shot, Params=70B, Train FLOPS=5.0e232022.0867.5—————————————————————————————————————————————————————————63.679.35573.9—————
ChinchillaParameters=70B, Protocol=5-shot2023.0267.5—————————————————————————————————————————————————————————63.679.354.973.9—————
Olmo 3Model Scale=7B, Training Stage=Stage 2, Cumulative training tokens=6T2025.1266.9——————————————————————————————————————————————————————————————————
LLAMA-3.1-8BModel Architecture=LLAMA-3.1-8B, Configuration Type=Dense, Evaluation Protocol=5-shot, Sparsity Level=0%2026.0166.61——————————————————————————————————————————————————————————————————
BOHBModel=LLaMA-3.1 8B2026.0666.08——————————————————————————————————————————————————————————————————
ATLASSetting=Full / Transfer, Params=11B, Train FLOPS=3.5e222022.0866—————————————————————————————————————————————————————————61.177.253.274.4—————
SAGEBackbone=Gemma-2-9B-IT2025.0566——————————————————————————————————————————————————————————————————
Self-ExaminationBackbone=Qwen2.5-7B-Instruct2025.0566——————————————————————————————————————————————————————————————————
IABackbone=Llama-3.1-8B-Instruct2025.0566——————————————————————————————————————————————————————————————————
InternLM2-7BShots=5-shot, Model Size Group=<= 7B Models2024.0365.8——————————————————————————————————————————————————————————————————
PaLM 540Bprompting=CoT prompting2022.1064.5——————————————————————————————————————————————————————————————————
Qwen-1.5 14B (Teacher)Model Scale=14B, Evaluation Protocol=Zero-shot2024.0764.34——————————————————————————————————————————————————————————————————