Upload eval/benchmark_v9_results.json with huggingface_hub
Browse files
eval/benchmark_v9_results.json
ADDED
|
@@ -0,0 +1,32 @@
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
| 1 |
+
{
|
| 2 |
+
"always_frontier": {
|
| 3 |
+
"success": 0.901,
|
| 4 |
+
"avg_cost": 1.0,
|
| 5 |
+
"unsafe": 0.0
|
| 6 |
+
},
|
| 7 |
+
"always_cheap": {
|
| 8 |
+
"success": 0.29133333333333333,
|
| 9 |
+
"avg_cost": 0.049999999999999954,
|
| 10 |
+
"unsafe": 0.7203333333333334
|
| 11 |
+
},
|
| 12 |
+
"heuristic": {
|
| 13 |
+
"success": 0.834,
|
| 14 |
+
"avg_cost": 0.8830500000000058,
|
| 15 |
+
"unsafe": 0.11466666666666667
|
| 16 |
+
},
|
| 17 |
+
"v8_router": {
|
| 18 |
+
"success": 0.8406666666666667,
|
| 19 |
+
"avg_cost": 0.8864666666666725,
|
| 20 |
+
"unsafe": 0.0
|
| 21 |
+
},
|
| 22 |
+
"v9_feedback": {
|
| 23 |
+
"success": 0.86,
|
| 24 |
+
"avg_cost": 0.9651333333333396,
|
| 25 |
+
"unsafe": 0.0
|
| 26 |
+
},
|
| 27 |
+
"oracle": {
|
| 28 |
+
"success": 0.9986666666666667,
|
| 29 |
+
"avg_cost": 0.4130333333333279,
|
| 30 |
+
"unsafe": 0.0
|
| 31 |
+
}
|
| 32 |
+
}
|