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

ЛИДЕРБОРД · редакция 2026-09

Ведомость испытаний

Ранжирование опубликованных запусков. Данные на 21 августа 2026 г. Рейтинг корректен внутри одной версии набора и профиля оценки.

ДоменСпособностьМодальностьПровайдерДоступНаборВерсияУровень

Период

Набор: Правовое рассуждение (РФ) v1.0.0 сбросить

2 запуска

на страницеЭкспорт CSV

Рейтинг корректен внутри одной версии набора и одного профиля оценки. Здесь версия одна, но профили разные (Стандартный t=0.2, Baseline zero-shot) — условия измерения у запусков различались, поэтому места в таблице сравнивать напрямую нельзя.

Лидерборд: ранжирование систем по измерениям качества, безопасности, надёжности, эффективности и покрытия
Подробности запуска	№	Система	Качество	Безопасность	Надёжность	Эффективность	Покрытие	Уровень

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 →

№ 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.
№ 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.

	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 →