Model Bench
Loading...
modelbench.
គាំទ្រដោយ MINIAPPS.AI
ឧបករណ៍តេស្តម៉ូដែល

ដាក់ម៉ូដែលឱ្យសាកល្បង។

រូបភាពកាន់តែច្បាស់អំពីអ្វីដែលម៉ូដែលរបស់អ្នកអាចធ្វើបាន។ ដំណើរការការវាស់ស្ទង់រហ័ស និងបំប្លែងលទ្ធផលទៅជាការយល់ដឹង។

កន្លែងធ្វើការវាស់ស្ទង់របស់អ្នក01 / 05
01ចាប់ផ្តើម

រៀបចំការដំណើរការរបស់អ្នក

ជ្រើសរើសម៉ូដែល ប benchmark និងកម្រិតពិបាក។

↗
ស្វែងរកម៉ូដែល
ម៉ូដែល

ព្យាយាមផ្ទុកម៉ូដែលម្តងទៀត
ប្រភេទ Benchmark

កម្រិតពិបាក

ប្រវែងនៃការដំណើរការ (សំណើម៉ូដែល)

លេខ seed នៃសំណួរ (ជម្រើស)

ប្រើ seed ប្រភេទ និងប្រវែងដំណើរការដដែល ដើម្បីប្រៀបធៀបសំណួរកម្រិតខ្ពស់ (Advanced) ដែលដូចគ្នា។

▥
ផែនការ Benchmark

ដំណើរការ benchmark↗ បោះបង់បន្ទាប់ពីសំណើបច្ចុប្បន្ន

✳ការដំណើរការអាចនឹងប្រើប្រាស់ក្រេឌីត។e តម្លៃជាក់ស្តែងអាស្រ័យលើម៉ូដែល និងចំនួនតូខេនដែលបានប្រើ។

02លទ្ធផល

សន្លឹកពិន្ទុរបស់អ្នក

ភាពច្បាស់លាស់បន្តិច នឹងជួយបានច្រើន។

របាយការណ៍ថ្មីៗ (១០ ចុងក្រោយ)
ទិន្នន័យបណ្តុះបណ្តាល

ទាញយក JSONL
ម៉ូដែលដែលបានសាកល្បង

·
✳
ពិន្ទុសរុប
0/ 100
—និទ្ទេស

ការបែងចែកប្រសិទ្ធភាព

បើកប្រភេទដើម្បីពិនិត្យមើលការត្រួតពិនិត្យ និងការឆ្លើយតបរបស់វា។

ពិន្ទុ
✧

▤

របាយការណ៍របស់អ្នកចាប់ផ្តើមនៅទីនេះ

ជ្រើសរើសម៉ូដែលមួយ ហើយដំណើរការ benchmark ដើម្បីមើលលទ្ធផលរបស់វា។

i

គួរដឹង

ជាការសង្ខេបដែលមានប្រយោជន៍ មិនមែនជារឿងរ៉ាវទាំងមូលនោះទេ។

ទាំងនេះគឺជាការតេស្តភាសាអង់គ្លេសដែលបានកំណត់ឡើង មិនមែនជាការវាស់ស្ទង់ស្តង់ដារឧស្សាហកម្មនោះទេ។ ពិន្ទុពេញគឺអាចកើតមាន ហើយវាមានន័យត្រឹមតែថា ម៉ូដែលបានជាប់ការត្រួតពិនិត្យទាំងនេះប៉ុណ្ណោះ។ ពិន្ទុមិនវាស់វែងពីសុវត្ថិភាព ការច្នៃប្រឌិត ឬប្រសិទ្ធភាពសរុបក្នុងពិភពពិតនោះទេ។

មើលពីរបៀបដែលការដាក់ពិន្ទុដំណើរការ↓

រាល់ការស្នើសុំនីមួយៗមានការត្រួតពិនិត្យបី ឬប្រាំដែលមានទម្ងន់ស្មើគ្នា។ ការស្នើសុំនឹងវិលជុំតាមប្រភេទដែលបានជ្រើសរើស; ចំនួនដែលមិនមែនជាពហុគុណនៃចំនួនប្រភេទ នឹងផ្តល់ឱ្យប្រភេទដំបូងៗនូវការស្នើសុំបន្ថែម។ បាររួមបញ្ចូលរាល់ការស្នើសុំសម្រាប់ប្រភេទនីមួយៗ។ ពិន្ទុសរុបផ្តល់ទម្ងន់ឱ្យការត្រួតពិនិត្យនីមួយៗស្មើគ្នា ដូច្នេះប្រភេទដែលមានការត្រួតពិនិត្យច្រើនជាងនឹងមានតម្លៃច្រើនជាង។ សំណួរកម្រិតខ្ពស់ប្រើតម្លៃដែលបានបង្កើត និងគន្លឹះចម្លើយដែលបានគណនា ប៉ុន្តែប្រើប្រាស់គំរូរួមគ្នា។ សំណួរមូលដ្ឋាន និងមធ្យមនឹងកើតឡើងដដែលៗក្នុងការដំណើរការយូរ។ ការត្រួតពិនិត្យដែលមិនមែនជាទម្រង់ អនុញ្ញាតឱ្យមានវត្ថុ JSON ដែលហ៊ុំព័ទ្ធដោយអត្ថបទបន្ថែម; ការតេស្តទម្រង់តម្រូវឱ្យមានតែ JSON ដែលត្រឹមត្រូវ ជាមួយនឹងតម្លៃ និងប្រភេទដែលបានស្នើសុំ។ ការស្នើសុំដែលបរាជ័យ ឬទទេ នឹងបញ្ឈប់ការដំណើរការ ជំនួសឱ្យការគិតថាខុស។ និទ្ទេស៖ A ≥ 90, B ≥ 80, C ≥ 70, D ≥ 60, បើមិនដូច្នោះទេគឺ F។ ប្រៀបធៀបកំណែប្រភេទ កម្រិត និងប្រវែងនៃការដំណើរការនៃឈុតតែមួយរវាងម៉ូដែល និងធ្វើការដំណើរការឡើងវិញ។ ទិន្នន័យដែលបានបង្កើតគួរតែត្រូវបានពិនិត្យឡើងវិញមុនពេលបណ្តុះបណ្តាល; រក្សាទិន្នន័យវាយតម្លៃឱ្យដាច់ដោយឡែកពីទិន្នន័យបណ្តុះបណ្តាល។

MODEL BENCH / ភាពច្បាស់លាស់បន្ថែមទៀត។បង្កើតឡើងសម្រាប់អ្នកដែលចង់ដឹងចង់ឃើញ ↗