正在加载页面…
来源:paper:Page 4, Section 4.2, Paragraph 'Failed episodes exhibit systematically more negative kappa'
这条 Claim 暂无已发布的不可变 Assessment。
这条 Claim 暂无关联执行。
已评估 0/6 项
保留同一结论下的完整结果组。已有评估排在前面;单项判断不替代整组结论。展开行查看条件、来源与历次证据。
| 指标与条件 | 论文报告 | 最近可用实测 | 证据判断 |
|---|---|---|---|
task: Math · model: Llama-3.1-8B | 0.047 scalar | — | 尚未评估 |
task: Code · model: Qwen3-14B | 0.148 scalar | — | 尚未评估 |
task: Retail · model: Qwen3-14B | 0.03 scalar | — | 尚未评估 |
task: Airline · model: Qwen3-14B | 0.049 scalar | — | 尚未评估 |
task: Retail · model: Qwen3-32B | 0.035 scalar | — | 尚未评估 |
task: Airline · model: Qwen3-32B | 0.088 scalar | — | 尚未评估 |