Uji model Anda.
Gambaran yang lebih jelas tentang apa yang dapat dilakukan model Anda. Jalankan benchmark cepat dan ubah hasilnya menjadi wawasan.
Atur pengujian Anda
Pilih model, benchmark, dan tingkat kesulitan.
Gunakan seed, tipe, dan panjang pengujian yang sama untuk membandingkan pertanyaan Lanjutan yang identik.
✳Pengoperasian mungkin menggunakan kredit. Biaya aktual tergantung pada model dan token yang digunakan.
Rapor Anda
Sedikit kejelasan akan sangat membantu.
Rincian performa
Buka kategori untuk memeriksa pengecekan dan responsnya.
Laporan Anda dimulai di sini
Pilih model dan jalankan tolok ukur untuk melihat hasilnya.
Perlu diketahui
Potret yang berguna, bukan keseluruhan cerita.
Ini adalah pengujian bahasa Inggris kustom, bukan benchmark standar industri. Skor sempurna mungkin terjadi dan hanya berarti model lulus pemeriksaan ini. Skor tidak mengukur keamanan, kreativitas, atau kinerja dunia nyata secara keseluruhan.
Lihat cara kerja penilaian↓Setiap permintaan berisi tiga atau lima pemeriksaan dengan bobot yang sama. Permintaan berputar melalui kategori yang dipilih; jumlah yang bukan kelipatan dari jumlah kategori memberikan permintaan tambahan pada kategori awal. Batang menggabungkan semua permintaan untuk setiap kategori. Skor keseluruhan memberi bobot yang sama pada setiap pemeriksaan, sehingga kategori dengan lebih banyak pemeriksaan memiliki pengaruh lebih besar. Pertanyaan Lanjutan menggunakan nilai yang dihasilkan dan kunci jawaban yang dihitung, tetapi berbagi templat. Pertanyaan Dasar dan Menengah berulang pada pengujian yang lebih lama. Pemeriksaan non-format mengizinkan objek JSON yang dikelilingi teks tambahan; pengujian format hanya memerlukan JSON yang valid, dengan nilai dan tipe yang diminta. Permintaan yang gagal atau kosong akan menghentikan pengujian alih-alih dihitung sebagai salah. Nilai: A ≥ 90, B ≥ 80, C ≥ 70, D ≥ 60, selain itu F. Bandingkan versi suite, tipe, level, dan panjang pengujian yang sama di berbagai model, serta ulangi pengujian. Data yang dihasilkan harus ditinjau sebelum pelatihan; pisahkan data evaluasi dari data pelatihan.