EvaluacionesGLM 5Todas las tareas

GLM 5

12 tareas

Cada fila es una tarea de evaluación que este modelo realizó. La columna Puntuación promedia todas las métricas que reporta la tarea (precisión, F1, coincidencia exacta, etc.). Haz clic en una fila para explorar las preguntas individuales y las respuestas del modelo.

Promedio

57.0

Puntuación	Idioma	Tarea	Métricas
87.3	Swahili (Tanzania)	swahili_sib200 swahili classification f1_macro: 87.3sample_len: 204.0	f1_macro: 87.3sample_len: 204.0
85.7	English (US)	english_gsm8k english math exact_match: 85.7sample_len: 1319.0	exact_match: 85.7sample_len: 1319.0
84.9	French (France)	french_sib200 french classification f1_macro: 84.9sample_len: 204.0	f1_macro: 84.9sample_len: 204.0
84.0	English (US)	english_mgsm english math exact_match: 84.0sample_len: 250.0	exact_match: 84.0sample_len: 250.0
80.8	Swahili (Tanzania)	swahili_afrimgsm swahili afrimgsm exact_match: 80.8sample_len: 250.0	exact_match: 80.8sample_len: 250.0
73.5	Spanish (Spain)	spanish_xquad_es spanish xquad es exact_match: 63.6f1: 83.4sample_len: 1190.0	exact_match: 63.6f1: 83.4sample_len: 1190.0
70.1	Swahili (Tanzania)	swahili_afrixnli swahili nli f1_macro: 70.1sample_len: 600.0	f1_macro: 70.1sample_len: 600.0
50.6	English (US)	english_mmlu_pro english mmlu pro exact_match: 50.6sample_len: 2100.0	exact_match: 50.6sample_len: 2100.0
36.3	English (US)	ifeval ifeval inst_level_loose_acc: 45.0inst_level_strict_acc: 43.0prompt_level_loose_acc: 29.8prompt_level_strict_acc: 27.5sample_len: 541.0	inst_level_loose_acc: 45.0inst_level_strict_acc: 43.0prompt_level_loose_acc: 29.8prompt_level_strict_acc: 27.5sample_len: 541.0
11.5	Spanish (Spain)	spanish_global_mmlu spanish mcq f1_macro: 11.5sample_len: 400.0	f1_macro: 11.5sample_len: 400.0
10.3	Spanish (Spain)	spanish_belebele spanish mcq f1_macro: 10.3sample_len: 900.0	f1_macro: 10.3sample_len: 900.0
9.3	English (US)	english_belebele english mcq f1_macro: 9.3sample_len: 900.0	f1_macro: 9.3sample_len: 900.0