Mystery Game Puzzles

何を測るか

Epoch 標準手順の mean_score を使います。

ランキングでの扱い

単一モデルの評価条件を確認した測定のみが、固定された分野・タスク群の重みで集計対象になります。有効な重みは各公開集計に保存します。

比較の限界

汚染防止のため問題と対話記録が非公開で、全問の独立再現はできません。

出典・利用条件

CC BY 4.0 · Epoch AI の公式評価データ。帰属と出典リンク、集約による変更を表示します。

Epoch AI による成績です。元の点数は尺度が異なるため単純加算せず、固定の基準尺度で比較します。