ការពិសោធន៍Deterministic eval mode

LLM Evaluation Playground

ជ្រើសរើស test suite កែសម្រួលចម្លើយពីរ និងប្រៀបធៀបវាជាមួយ grader ដែលអាចធ្វើឡើងវិញបាន។ ពិន្ទុនីមួយៗមកពីច្បាប់ដែលអាចមើលឃើញ មិនមែនមតិរបស់ model ផ្សេងទេ។

01 / test-suite

ជ្រើសរើស evaluation suite

Deterministic eval mode

សេចក្តីណែនាំភារកិច្ច

បញ្ជូន JSON ដែលមាន status និង priority។ កុំប្រើភាសាមិនច្បាស់លាស់។

ចម្លើយ A

39/3,000

ចម្លើយ B

61/3,000

វាយតម្លៃក្នុងគេហទំព័រនេះ។ ចម្លើយមិនត្រូវបានផ្ញើទៅ model ខាងក្រៅ ឬរក្សាទុកទេ។

02 / evaluation-report

ដំណើរការ suite ដើម្បីប្រៀបធៀបអត្រាជាប់ ពិន្ទុតាមទម្ងន់ និងតេស្តដែលបរាជ័យ។

បម្លែងតម្រូវការផលិតផលទៅជាការត្រួតពិនិត្យជាប់ ឬធ្លាក់ និងទម្ងន់ច្បាស់លាស់។

ដំណើរការ grader ដូចគ្នាលើ baseline និងចម្លើយថ្មី។

ពិនិត្យតេស្តដែលបរាជ័យ ជំនួសឱ្យការជឿលើពិន្ទុសរុបតែមួយ។

អត្ថបទបច្ចេកទេសពាក់ព័ន្ធ