基准

WildBench

一个用于评估LLM在真实用户提示上表现的基准测试，常用于衡量提示分类体系的构建质量。

时间轴 (近 90 天)

11月4日

在WildBench基准上，COMPREHEND的蕴含/忠实性指标从EvalTree的22.6提高到41.7。

待验证50%

在WildBench基准上，COMPREHEND的蕴含/忠实性指标从EvalTree的22.6提高到41.7。