اجراها
تاریخچه‌ی ارزیابی‌ها. هر ردیف یک عکس لحظه‌ای از کیفیت بات در آن زمان است.
| نمره | برچسب | ترکیب احکام | کیس | تأخیر | هزینه‌ی داوری | زمان |
|---|---|---|---|---|---|---|
| ۹۶ | گلدن‌ست مشاور آرکان | ۵ | ۴.۹ ثانیه | $0.03 | ۳۱ روز پیش | |
| ۹۹ | گلدن‌ست مشاور آرکان | ۴ | ۲.۶ ثانیه | $0.02 | ۳۲ روز پیش | |
| ۹۸ | گلدن‌ست مشاور آرکان | ۵ | ۴.۴ ثانیه | $0.03 | ۳۲ روز پیش | |
| ۹۰ | گلدن‌ست مشاور آرکان | ۲ | ۵.۸ ثانیه | $0.01 | ۳۳ روز پیش | |
| ۹۷ | بعد از افزایش max_tokens به ۲۰۰۰ | ۳۲ | ۵.۳ ثانیه | $0.19 | ۳۳ روز پیش | |
| ۹۶ | گلدن‌ست مشاور آرکان | ۳۲ | ۵.۲ ثانیه | $0.19 | ۳۳ روز پیش | |
| ۲۳/۳۲ | گلدن‌ست مشاور آرکان | — | ۲۳ | — | — | ۳۳ روز پیش |
| ۹۵ | تست بودجه‌ی ۹۰ ثانیه | ۸ | ۵.۳ ثانیه | $0.05 | ۳۳ روز پیش | |
| ۹۶ | تست نهایی تکه‌تکه‌شدن | ۵ | ۴.۵ ثانیه | $0.03 | ۳۳ روز پیش | |
| ۹۵ | تست تکه‌تکه‌شدن | ۶ | ۵.۸ ثانیه | $0.04 | ۳۳ روز پیش | |
| ۲۳/۳۲ | گلدن‌ست مشاور آرکان | — | ۲۳ | — | — | ۳۳ روز پیش |
| ۲۸/۳۲ | گلدن‌ست مشاور آرکان | — | ۲۸ | — | — | ۷۹ روز پیش |
| ۹۰ | گلدن‌ست مشاور آرکان | ۲ | ۶.۲ ثانیه | $0.01 | ۸۲ روز پیش | |
| ۸۸ | گلدن‌ست مشاور آرکان | ۵ | ۵.۰ ثانیه | $0.03 | ۸۳ روز پیش | |
| ۸۶ | تست ماندگاری بعد از Supabase | ۱ | ۸.۲ ثانیه | $0.0062 | ۸۵ روز پیش | |
| ۹۴ | خط پایه — اولین ارزیابی کامل | ۳۲ | ۵.۶ ثانیه | $0.19 | ۸۵ روز پیش |
چرا این مهم است
یک اجرای تنها فقط می‌گوید «الان وضع این است». ارزش واقعی وقتی پیدا می‌شود که چند اجرا داشته باشید و بتوانید بگویید «بعد از آن تغییر، بهتر شد یا بدتر». برای همین به هر اجرا برچسب معنادار بدهید — مثلاً «بعد از اصلاح پرامپت ضدتوهم» — نه فقط تاریخ.