Upload eval/benchmark_v9_final.json with huggingface_hub
Browse files- eval/benchmark_v9_final.json +73 -0
eval/benchmark_v9_final.json
ADDED
|
@@ -0,0 +1,73 @@
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
| 1 |
+
{
|
| 2 |
+
"frontier": {
|
| 3 |
+
"success": 0.8996666666666666,
|
| 4 |
+
"cost": 1.0
|
| 5 |
+
},
|
| 6 |
+
"v8": {
|
| 7 |
+
"success": 0.8373333333333334,
|
| 8 |
+
"cost": 0.9151666666666726
|
| 9 |
+
},
|
| 10 |
+
"v9_e2.0_lc0.05": {
|
| 11 |
+
"success": 0.8996666666666666,
|
| 12 |
+
"cost": 0.9785500000000054,
|
| 13 |
+
"escalated": 238,
|
| 14 |
+
"ent_thr": 2.0,
|
| 15 |
+
"lc_thr": 0.05
|
| 16 |
+
},
|
| 17 |
+
"v9_e2.0_lc0.1": {
|
| 18 |
+
"success": 0.8996666666666666,
|
| 19 |
+
"cost": 0.9785500000000054,
|
| 20 |
+
"escalated": 238,
|
| 21 |
+
"ent_thr": 2.0,
|
| 22 |
+
"lc_thr": 0.1
|
| 23 |
+
},
|
| 24 |
+
"v9_e2.0_lc0.15": {
|
| 25 |
+
"success": 0.8996666666666666,
|
| 26 |
+
"cost": 0.9785500000000054,
|
| 27 |
+
"escalated": 238,
|
| 28 |
+
"ent_thr": 2.0,
|
| 29 |
+
"lc_thr": 0.15
|
| 30 |
+
},
|
| 31 |
+
"v9_e2.5_lc0.05": {
|
| 32 |
+
"success": 0.8576666666666667,
|
| 33 |
+
"cost": 0.9261833333333388,
|
| 34 |
+
"escalated": 94,
|
| 35 |
+
"ent_thr": 2.5,
|
| 36 |
+
"lc_thr": 0.05
|
| 37 |
+
},
|
| 38 |
+
"v9_e2.5_lc0.1": {
|
| 39 |
+
"success": 0.8576666666666667,
|
| 40 |
+
"cost": 0.9261833333333388,
|
| 41 |
+
"escalated": 94,
|
| 42 |
+
"ent_thr": 2.5,
|
| 43 |
+
"lc_thr": 0.1
|
| 44 |
+
},
|
| 45 |
+
"v9_e2.5_lc0.15": {
|
| 46 |
+
"success": 0.8576666666666667,
|
| 47 |
+
"cost": 0.9261833333333388,
|
| 48 |
+
"escalated": 94,
|
| 49 |
+
"ent_thr": 2.5,
|
| 50 |
+
"lc_thr": 0.15
|
| 51 |
+
},
|
| 52 |
+
"v9_e3.0_lc0.05": {
|
| 53 |
+
"success": 0.836,
|
| 54 |
+
"cost": 0.9132500000000056,
|
| 55 |
+
"escalated": 51,
|
| 56 |
+
"ent_thr": 3.0,
|
| 57 |
+
"lc_thr": 0.05
|
| 58 |
+
},
|
| 59 |
+
"v9_e3.0_lc0.1": {
|
| 60 |
+
"success": 0.834,
|
| 61 |
+
"cost": 0.9130833333333389,
|
| 62 |
+
"escalated": 49,
|
| 63 |
+
"ent_thr": 3.0,
|
| 64 |
+
"lc_thr": 0.1
|
| 65 |
+
},
|
| 66 |
+
"v9_e3.0_lc0.15": {
|
| 67 |
+
"success": 0.834,
|
| 68 |
+
"cost": 0.9130833333333389,
|
| 69 |
+
"escalated": 49,
|
| 70 |
+
"ent_thr": 3.0,
|
| 71 |
+
"lc_thr": 0.15
|
| 72 |
+
}
|
| 73 |
+
}
|