Apa yang diukur
Ketepatan tugas, temuan keamanan, regresi, waktu hingga selesai terverifikasi, koreksi manusia, dan penggunaan token.
PROGRAM PEMBUKTIAN
Ukur hasil yang berarti.
Nilai produk paling kuat bila dapat diperiksa. Evaluasi buta sedang berlangsung. Metode dan hasil tervalidasi akan dipublikasikan di sini.
Evaluasi buta sedang berlangsung
Cara melaporkan perbandingan
Tugas sebanding, versi agen dan model yang diungkapkan, kondisi tetap, serta penilaian buta bila sesuai. Laporan memuat ukuran sampel, tanggal, dan ketidakpastian.
Yang tersedia saat ini
Kemampuan produk telah didokumentasikan. Hasil perbandingan belum dipublikasikan karena evaluasi belum selesai. Tidak ada klaim peringkat model atau persentase peningkatan.
CodePulse
Perubahan berikutnya, dengan dasar yang jelas.
Bawa agen pilihan Anda. Kendalikan aplikasi. Dukung setiap rilis dengan bukti.