The typical standard errors between pairs of models on this dataset as a function of the absolute accuracy.
The standard error of each model pair against their observed accuracy difference. Pairs below a reference line differ by more than the corresponding number of standard errors, i.e. they are statistically distinguishable at that level.
| model | pass1 | pass@count | win_rate | count | SE(A) | SE_x(A) | SE_pred(A) |
|---|---|---|---|---|---|---|---|
| claude-3-opus-20240229 | 77.4 | 77.4 | 25.3 | 1 | 3.3 | NaN | NaN |
| deepseek-coder-33b-instruct | 76.2 | 76.2 | 24.1 | 1 | 3.3 | NaN | NaN |
| opencodeinterpreter-ds-33b | 74.4 | 74.4 | 23.8 | 1 | 3.4 | NaN | NaN |
| mixtral-8x22b-instruct-v0.1 | 73.8 | 73.8 | 23.4 | 1 | 3.4 | NaN | NaN |
| speechless-codellama-34b | 72.6 | 72.6 | 22 | 1 | 3.5 | NaN | NaN |
| HuggingFaceH4--starchat2-15b-v0.1 | 72 | 72 | 21.9 | 1 | 3.5 | NaN | NaN |
| code-millenials-34b | 72 | 72 | 22.3 | 1 | 3.5 | NaN | NaN |
| deepseek-coder-6.7b-instruct | 72 | 72 | 23.2 | 1 | 3.5 | NaN | NaN |
| meta-llama-3-70b-instruct | 72 | 72 | 21.9 | 1 | 3.5 | NaN | NaN |
| deepseek-coder-7b-instruct-v1.5 | 71.3 | 71.3 | 21.6 | 1 | 3.5 | NaN | NaN |
| gpt-3.5-turbo | 70.7 | 70.7 | 20.8 | 1 | 3.6 | NaN | NaN |
| opencodeinterpreter-ds-6.7b | 70.7 | 70.7 | 21.4 | 1 | 3.6 | NaN | NaN |
| xwincoder-34b | 70.1 | 70.1 | 21.2 | 1 | 3.6 | NaN | NaN |
| claude-3-haiku-20240307 | 68.9 | 68.9 | 20.5 | 1 | 3.6 | NaN | NaN |
| openchat | 68.9 | 68.9 | 20.5 | 1 | 3.6 | NaN | NaN |
| speechless-coder-ds-6.7b | 66.5 | 66.5 | 17.9 | 1 | 3.7 | NaN | NaN |
| code-llama-70b-instruct | 66.5 | 66.5 | 19.6 | 1 | 3.7 | NaN | NaN |
| white-rabbit-neo-33b-v1 | 65.9 | 65.9 | 19 | 1 | 3.7 | NaN | NaN |
| codebooga-34b | 65.9 | 65.9 | 17.7 | 1 | 3.7 | NaN | NaN |
| claude-3-sonnet-20240229 | 64.6 | 64.6 | 18.8 | 1 | 3.7 | NaN | NaN |
| mistral-large-latest | 63.4 | 63.4 | 18.1 | 1 | 3.8 | NaN | NaN |
| speechless-starcoder2-15b | 63.4 | 63.4 | 16.8 | 1 | 3.8 | NaN | NaN |
| deepseek-coder-1.3b-instruct | 61.6 | 61.6 | 16.2 | 1 | 3.8 | NaN | NaN |
| bigcode--starcoder2-15b-instruct-v0.1 | 61 | 61 | 15.8 | 1 | 3.8 | NaN | NaN |
| Qwen--Qwen1.5-72B-Chat | 59.8 | 59.8 | 15.8 | 1 | 3.8 | NaN | NaN |
| microsoft--Phi-3-mini-4k-instruct | 59.8 | 59.8 | 16 | 1 | 3.8 | NaN | NaN |
| code-13b | 53.7 | 53.7 | 13.1 | 1 | 3.9 | NaN | NaN |
| codegemma-7b-it | 53 | 53 | 11.7 | 1 | 3.9 | NaN | NaN |
| speechless-coding-7b-16k-tora | 52.4 | 52.4 | 12.2 | 1 | 3.9 | NaN | NaN |
| speechless-starcoder2-7b | 51.8 | 51.8 | 11.8 | 1 | 3.9 | NaN | NaN |
| wizardcoder-15b | 50.6 | 50.6 | 11 | 1 | 3.9 | NaN | NaN |
| open-hermes-2.5-code-290k-13b | 50.6 | 50.6 | 10.8 | 1 | 3.9 | NaN | NaN |
| code-33b | 50 | 50 | 11.8 | 1 | 3.9 | NaN | NaN |
| phi-2 | 45.7 | 45.7 | 10.6 | 1 | 3.9 | NaN | NaN |
| wizardcoder-7b | 45.7 | 45.7 | 9.72 | 1 | 3.9 | NaN | NaN |
| code-llama-multi-34b | 43.9 | 43.9 | 8.78 | 1 | 3.9 | NaN | NaN |
| deepseek-coder-33b | 43.9 | 43.9 | 10.6 | 1 | 3.9 | NaN | NaN |
| mistral-7b-codealpaca | 43.3 | 43.3 | 9.46 | 1 | 3.9 | NaN | NaN |
| starcoder2-15b-oci | 43.3 | 43.3 | 8.89 | 1 | 3.9 | NaN | NaN |
| speechless-mistral-7b | 42.7 | 42.7 | 7.81 | 1 | 3.9 | NaN | NaN |
| codegemma-7b | 42.1 | 42.1 | 11.4 | 1 | 3.9 | NaN | NaN |
| mixtral-8x7b-instruct | 40.9 | 40.9 | 9.08 | 1 | 3.8 | NaN | NaN |
| solar-10.7b-instruct | 37.8 | 37.8 | 7.08 | 1 | 3.8 | NaN | NaN |
| mistralai--Mistral-7B-Instruct-v0.2 | 36.6 | 36.6 | 6.99 | 1 | 3.8 | NaN | NaN |
| gemma-1.1-7b-it | 36 | 36 | 5.83 | 1 | 3.7 | NaN | NaN |
| code-llama-multi-13b | 34.8 | 34.8 | 6.12 | 1 | 3.7 | NaN | NaN |
| octocoder | 33.5 | 33.5 | 6.44 | 1 | 3.7 | NaN | NaN |
| xdan-l1-chat | 32.9 | 32.9 | 5.92 | 1 | 3.7 | NaN | NaN |
| python-code-13b | 31.7 | 31.7 | 5.74 | 1 | 3.6 | NaN | NaN |