ModelChorusModelChorus
SfidëBisedëKlasifikimiRrëshqitTestimeHistoria
Si funksiononAPIKushtet e ShërbimitPolitika e Privatësisë

E drejta e autorit 2026 MeetKai Inc.

Testime/GPT-oss-120B/Urdu (Pakistan) detyra

GPT-oss-120B

8 detyra

Çdo rresht më poshtë është një detyrë vlerësimi që ky model ka kryer. Kolona Pikët mesatarizon çdo metrikë që detyra raporton (saktësi, F1, përputhje e plotë, etj.). Klikoni një rresht për të shfletuar pyetjet individuale dhe përgjigjet e modelit.

Mesatare
47.1
PikëtGjuhaDetyraMetrikat
87.1Urdu (Pakistan)
urdu_uquad
urdu qa
llm_judge_score: 87.1sample_len: 139.0
llm_judge_score: 87.1sample_len: 139.0
66.9Urdu (Pakistan)
urdu_freshqa
urdu qa
llm_judge_score: 66.9sample_len: 323.0
llm_judge_score: 66.9sample_len: 323.0
45.9Urdu (Pakistan)
urdu_facttool_qa
urdu claim
f1_macro: 45.9sample_len: 160.0
f1_macro: 45.9sample_len: 160.0
45.9Urdu (Pakistan)
urdu_factcheckbench
urdu claim
f1_macro: 45.9sample_len: 387.0
f1_macro: 45.9sample_len: 387.0
44.3Urdu (Pakistan)
urdu_bingcheck
urdu claim
f1_macro: 44.3sample_len: 102.0
f1_macro: 44.3sample_len: 102.0
37.6Urdu (Pakistan)
urdu_fake_news
urdu classification
f1_macro: 37.6sample_len: 300.0
f1_macro: 37.6sample_len: 300.0
28.6Urdu (Pakistan)
urdu_emotion_class
urdu classification
f1_macro: 28.6sample_len: 200.0
f1_macro: 28.6sample_len: 200.0
20.5Urdu (Pakistan)
urdu_simpleqa
urdu qa
llm_judge_score: 20.5sample_len: 200.0
llm_judge_score: 20.5sample_len: 200.0