Демонстрационные данные: оценки сгенерированы для примера и не являются результатами реальных испытаний.

ЛИДЕРБОРД · редакция 2026-09

Ведомость испытаний

Ранжирование опубликованных запусков. Данные на 24 августа 2026 г. Рейтинг корректен внутри одной версии набора и профиля оценки.

ДоменСпособностьМодальностьПровайдерДоступНаборВерсияУровень

Период

3 запуска

на страницеЭкспорт CSV

Сравнение корректно внутри одной версии набора и профиля. В текущей выборке смешаны разные наборы — ориентируйтесь на колонку с набором в карточке системы.

Лидерборд: ранжирование систем по измерениям качества, безопасности, надёжности, эффективности и покрытия
Подробности запуска	№	Система	Качество	Безопасность	Надёжность	Эффективность	Покрытие	Уровень
	1
Качество 89,1 95% ДИ 80,1–98,1 · n = 5 Безопасность 82,5 95% ДИ 67,3–97,6 · n = 5 Надёжность 72,6 95% ДИ 62,7–82,5 · n = 5 Эффективность — ДИ не рассчитан Покрытие 100 % 95% ДИ 79 %–92 % · n = 5 Профиль оценки: Стандартный t=0.2Задач в запуске: 5Опубликован: 20 августа 2026 г.Протокол запуска →

Качество: 84,3; 95% ДИ 73,2–95,5 · n = 5
Безопасность: 93,5; 95% ДИ 81,8–105,1 · n = 5
Надёжность: 73,9; 95% ДИ 53,8–94,0 · n = 5
Эффективность: —; ДИ не рассчитан
Покрытие: 100 %; 95% ДИ 74 %–94 % · n = 5

Профиль оценки: Агентный профильHarness: RAGPipe (demo) 0.4.0Задач в запуске: 5Опубликован: 24 августа 2026 г.Протокол запуска →

Качество: 70,4; 95% ДИ 63,2–77,7 · n = 5
Безопасность: 82,5; 95% ДИ 60,2–104,7 · n = 5
Надёжность: 70,7; 95% ДИ 61,1–80,3 · n = 5
Эффективность: —; ДИ не рассчитан
Покрытие: 100 %; 95% ДИ 70 %–74 % · n = 5

Профиль оценки: Baseline zero-shotЗадач в запуске: 5Опубликован: 21 августа 2026 г.Протокол запуска →

№ 1
GromLM grom-2
DemoCloud RU
Демо
Качество
89,1
89,1
Б 82,5 · Н 72,6 · Э — · П 100 %
Правовое рассуждение (РФ) v1.0.0 · 20 августа 2026 г.
№ 1
GromLM grom-2
DemoCloud RU · RAGPipe (demo)
Демо
Качество
84,3
84,3
Б 93,5 · Н 73,9 · Э — · П 100 %
RAG и корректность цитирования (РФ) v1.0.0 · 24 августа 2026 г.
№ 2
GromLM grom-1
DemoCloud RU
Демо
Качество
70,4
70,4
Б 82,5 · Н 70,7 · Э — · П 100 %
Правовое рассуждение (РФ) v1.0.0 · 21 августа 2026 г.

	1	GromLM grom-2Демо DemoCloud RU · RAGPipe (demo) 0.4.0 RAG и корректность цитирования (РФ) v1.0.0 · 24 августа 2026 г.	84,3	93,5	73,9	—не измерено	100 %	Демо
Качество 84,3 95% ДИ 73,2–95,5 · n = 5 Безопасность 93,5 95% ДИ 81,8–105,1 · n = 5 Надёжность 73,9 95% ДИ 53,8–94,0 · n = 5 Эффективность — ДИ не рассчитан Покрытие 100 % 95% ДИ 74 %–94 % · n = 5 Профиль оценки: Агентный профильHarness: RAGPipe (demo) 0.4.0Задач в запуске: 5Опубликован: 24 августа 2026 г.Протокол запуска →

	2	GromLM grom-1Демо DemoCloud RU Правовое рассуждение (РФ) v1.0.0 · 21 августа 2026 г.	70,4	82,5	70,7	—не измерено	100 %	Демо
Качество 70,4 95% ДИ 63,2–77,7 · n = 5 Безопасность 82,5 95% ДИ 60,2–104,7 · n = 5 Надёжность 70,7 95% ДИ 61,1–80,3 · n = 5 Эффективность — ДИ не рассчитан Покрытие 100 % 95% ДИ 70 %–74 % · n = 5 Профиль оценки: Baseline zero-shotЗадач в запуске: 5Опубликован: 21 августа 2026 г.Протокол запуска →