Pon a prueba los modelos.
Una imagen más clara de lo que tu modelo puede hacer. Ejecuta un benchmark rápido y convierte los resultados en información útil.
Configura tu ejecución
Elige un modelo, un benchmark y una dificultad.
Usa la misma semilla, tipo y longitud de ejecución para comparar preguntas avanzadas idénticas.
✳Las ejecuciones pueden consumir créditos. El costo real depende del modelo y los tokens utilizados.
Tu boleta de calificaciones
Un poco de claridad ayuda mucho.
Desglose de rendimiento
Abre una categoría para inspeccionar sus verificaciones y respuestas.
Tu informe comienza aquí
Elige un modelo y ejecuta el benchmark para ver sus resultados.
Útil saber
Una instantánea útil, no la historia completa.
Estas son pruebas personalizadas en inglés, no benchmarks estándar de la industria. Es posible obtener una puntuación perfecta y esto solo significa que el modelo pasó estas verificaciones. Las puntuaciones no miden la seguridad, la creatividad ni el rendimiento general en el mundo real.
Ver cómo funciona la puntuación↓Cada solicitud contiene tres o cinco verificaciones con el mismo peso. Las solicitudes rotan a través de las categorías seleccionadas; los recuentos que no sean múltiplos del número de categorías otorgan una solicitud adicional a las primeras categorías. Las barras combinan todas las solicitudes de cada categoría. La puntuación general pondera cada verificación por igual, por lo que las categorías con más verificaciones cuentan más. Las preguntas avanzadas utilizan valores generados y claves de respuesta calculadas, pero comparten plantillas. Las preguntas básicas e intermedias se repiten en ejecuciones más largas. Las verificaciones que no son de formato permiten un objeto JSON rodeado de texto adicional; la prueba de formato requiere únicamente JSON válido, con los valores y tipos solicitados. Las solicitudes fallidas o vacías detienen la ejecución en lugar de contarse como incorrectas. Calificaciones: A ≥ 90, B ≥ 80, C ≥ 70, D ≥ 60, de lo contrario F. Compara la misma versión de la suite, tipo, nivel y longitud de ejecución entre modelos, y repite las ejecuciones. Los datos generados deben revisarse antes del entrenamiento; mantén los datos de evaluación separados de los datos de entrenamiento.