Toate benchmark-urile

Benchmark-uri deschise

Benchmark-uri de raționament

Benchmark-urile de raționament măsoară dacă un model ajunge la răspunsul corect printr-o metodă solidă: grile de cunoștințe din mai multe domenii, matematică de concurs cu răspuns întreg, regăsire în contexte lungi și rezolvare de probleme în mai mulți pași. Majoritatea sunt punctate determinist, fără judecător LLM.

Ce rulare este afișată

Un rând per model per benchmark: câștigă rularea finalizată cu cel mai mare eșantion, iar la egalitate câștigă cea terminată cel mai recent. Rulările mici de test nu pot avantaja un model printr-un noroc. Rulările eșuate sau anulate sunt excluse.

Metrica principală

Costul per sarcină reușită. Penalizează atât răspunsurile corecte dar scumpe, cât și pe cele ieftine dar greșite, deci este cifra cel mai greu de manipulat. Rata de reușită și costul total stau alături.

MMLU-Pro, matematică de concurs (AIME), context lung, GraphWalks și rezolvare de probleme.

Rezultate · Raționament

Se încarcă rezultatele…