اجراها
تاریخچهی ارزیابیها. هر ردیف یک عکس لحظهای از کیفیت بات در آن زمان است.
| نمره | برچسب | ترکیب احکام | کیس | تأخیر | هزینهی داوری | زمان |
|---|---|---|---|---|---|---|
| ۲۸/۳۲ | گلدنست مشاور آرکان | — | ۲۸ | — | — | ۱۵ روز پیش |
| ۹۰ | گلدنست مشاور آرکان | ۲ | ۶.۲ ثانیه | $0.01 | ۱۸ روز پیش | |
| ۸۸ | گلدنست مشاور آرکان | ۵ | ۵.۰ ثانیه | $0.03 | ۱۹ روز پیش | |
| ۸۶ | تست ماندگاری بعد از Supabase | ۱ | ۸.۲ ثانیه | $0.0062 | ۲۰ روز پیش | |
| ۹۴ | خط پایه — اولین ارزیابی کامل | ۳۲ | ۵.۶ ثانیه | $0.19 | ۲۰ 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.