GPT-4.1: বেঞ্চমার্ক ও র‍্যাঙ্কিং

র‍্যাঙ্কিং কীভাবে হিসাব হয়

1. সংগ্রহ — নিচের 11টি লিডারবোর্ড থেকে প্রতি ঘণ্টায় অফিশিয়াল ডেটা আনা হয়। অনুমান হিসেবে চিহ্নিত স্কোর ব্যবহার হয় না।
2. মেলানো — একই মডেলের ভিন্ন ভিন্ন নাম একত্র করা হয়। রিজনিং স্তরের মতো ভেরিয়েন্টে প্রতিটি সাইটের সেরা ফলাফল নেওয়া হয়।
3. মানকরণ — প্রতিটি সাইটের প্রধান মেট্রিক সেই সাইটের ভেতরেই মানকরণ করা হয়, যাতে শুধু র‍্যাঙ্ক নয়, স্কোরের ব্যবধানও বজায় থাকে।
4. সমতাকরণ — একাধিক সাইটে থাকা মডেলকে সেতু হিসেবে ব্যবহার করে একটি ফ্যাক্টর মডেল প্রতিটি সাইটের কাঠিন্য ও মডেলের গঠন সংশোধন করে। বেশি অনিশ্চিত সাইটের ওজন কম।
5. অনুপস্থিত ডেটার জন্য শাস্তি নেই — প্রতিটি মডেলকে শুধু যেসব সাইট মূল্যায়ন করেছে সেগুলো থেকেই স্কোর দেওয়া হয়। অনিশ্চয়তা ৯০% ব্যবধান হিসেবে দেখানো হয়। 2+ সাইটে মূল্যায়িত মডেল র‍্যাঙ্ক পায়।
6. Arena — Arena (আগে LMArena) শুধু ক্ষেত্র র‍্যাঙ্কিংয়ে ব্যবহৃত হয়, সামগ্রিক স্কোরে নয়। নতুন মডেল স্বয়ংক্রিয়ভাবে যুক্ত হয়।