GPT-4o: التقييمات والتصنيف

كيف يُحسب التصنيف

1. الجمع — تُجلب البيانات الرسمية من لوحات التقييم الـ11 أدناه كل ساعة. لا تُستخدم الدرجات المصنّفة كتقديرات.
2. المطابقة — تُدمج التسميات المختلفة للنموذج نفسه. وفي المتغيرات مثل مستوى الاستدلال تُعتمد أفضل نتيجة في كل موقع.
3. التوحيد القياسي — يُوحَّد المقياس الرئيسي لكل موقع داخل ذلك الموقع، مع الحفاظ على فروق الدرجات لا المراتب فقط.
4. المعادلة — نموذج عاملي، يستخدم النماذج الموجودة في عدة مواقع جسرًا، يصحح صعوبة كل موقع ومجموعة النماذج فيه. المواقع الأكثر تشويشًا تحصل على وزن أقل.
5. لا عقوبة على البيانات الناقصة — يُقيَّم كل نموذج فقط من المواقع التي قيّمته. ويُعرض عدم اليقين كفاصل 90%. تُصنَّف النماذج المقيَّمة في 2 مواقع أو أكثر.
6. Arena — تُستخدم Arena (سابقًا LMArena) في تصنيف المجالات فقط، لا في الدرجة الإجمالية. تُضاف النماذج الجديدة تلقائيًا.