Benchmarkuri măsurate
MMLU-Pro (TIGER-Lab)
Publicat de TIGER-Lab (University of Waterloo). Pagina sursei ↗ · Datele pe care le citim (descărcare fișier) ↗
Submissions mix TIGER-Lab-measured and self-reported rows; the display name says which.
Fapte
| Fapt | Valoare | De unde provine |
|---|---|---|
| Cine rulează evaluarea | un grup universitar | curatoriat de aiqbench, verificat la 2026-10-09 |
| Expunerea setului de test | public | curatoriat de aiqbench, verificat la 2026-10-09 |
| Licența datelor | Apache-2.0 | înregistrarea de atribuire a clasamentului |
| Cel mai nou rezultat publicat | nepublicat | rândurile ingerate |
| Ultima preluare de către aiqbench | acum 8 ore · la fiecare 12 h | jurnalul de sincronizare |
| Modele pe această axă | 260 | rândurile ingerate |
| Rânduri cu interval publicat | niciunul publicat | rândurile ingerate |
| Spațiu rămas în vârf | Cel mai bun 91.2%, cu 8.8% sub plafon; primele 10 în interval de 3.8%. | calculat din rândurile ingerate |
| Axe pe care le urmează îndeaproape |
| ρ Spearman pe modelele comune (vezi Grupuri) |
Unde apare
În niciun șablon predefinit; selectabilă în consolă.
Vezi această axă singură în consolă →Atribuire
Source: MMLU-Pro Leaderboard (TIGER-Lab, University of Waterloo) — https://huggingface.co/datasets/TIGER-Lab/mmlu_pro_leaderboard_submission. Licensed under Apache 2.0. Modified by aiqbench: we ingest the 'results.csv' file from the HF dataset root, rescale each row's Overall accuracy from 0-1 to percent, and preserve every disciplinary sub-score (Biology, Business, Chemistry, Computer Science, Economics, Engineering, Health, History, Law, Math, Philosophy, Physics, Psychology, Other) plus the Model Size and Data Source (TIGER-Lab vs Self-Reported) verbatim in each entry's metadata. Rows self-reported by model authors are labelled '(self-reported)' in the display name so readers can see the provenance without opening the details panel.