← Fișele benchmarkurilor
Agentic
GAIA (HAL)
Publicat de Holistic Agent Leaderboard (Princeton). Pagina sursei ↗ · Datele pe care le citim ↗
Princeton HAL runs the agents; GAIA keeps a private test split.
Fapte
| Fapt | Valoare | De unde provine |
|---|---|---|
| Cine rulează evaluarea | un grup universitar | curatoriat de aiqbench, verificat la 2026-10-09 |
| Expunerea setului de test | parțial public, parțial secret | curatoriat de aiqbench, verificat la 2026-10-09 |
| Licența datelor | CC-BY-4.0 | înregistrarea de atribuire a clasamentului |
| Cel mai nou rezultat publicat | 27 sept. 2026 | rândurile ingerate |
| Ultima preluare de către aiqbench | acum 9 ore · la fiecare 12 h | jurnalul de sincronizare |
| Modele pe această axă | 12 | rândurile ingerate |
| Rânduri cu interval publicat | niciunul publicat | rândurile ingerate |
| Spațiu rămas în vârf | Cel mai bun 70.9%, cu 29.1% sub plafon; primele 10 în interval de 42.4%. | calculat din rândurile ingerate |
| Axe pe care le urmează îndeaproape | Niciuna la ρ ≥ 0,8 între perechile măsurate. | ρ Spearman pe modelele comune (vezi Grupuri) |
Unde apare
În niciun șablon predefinit; selectabilă în consolă.
Vezi această axă singură în consolă →Atribuire
Source: Every Eval Ever datastore (EvalEval coalition), https://huggingface.co/datasets/evaleval/EEE_datastore, licensed CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). Underlying results published by Holistic Agent Leaderboard (Princeton) — https://hal.cs.princeton.edu/, converted into the EEE schema by the coalition's adapters. Modified by aiqbench: the 'hal-gaia' collection's headline result per model, normalised into aiqbench's common board format, proportions rescaled to percent.