FINAL-Bench/Leaderboard

מה זה

במקום להריץ בדיקות רגילות של נכון או לא נכון, הדף הזה מציג נתונים מוכנים על היכולת של מודלים לתפוס טעויות בזמן אמת. אתם לא מזינים כאן טקסט משלכם אלא גולשים בטבלאות השוואה ובגרפים שמדרגים ביצועים על פני מאה משימות בחמישה עשר תחומים, מרפואה ופילוסופיה ועד מתמטיקה וקוד.

הבדיקה נשענת על חמישה צירים שונים שכוללים איכות תהליך, דיוק מטא-קוגניטיבי, התאוששות משגיאות, עומק אינטגרציה ונכונות סופית. הדוחות מציגים שני מצבי עבודה למודלים כמו DeepSeek-V3.2, Kimi K2.5 ו־GPT-OSS-120B: מצב בסיס רגיל ומצב עם הנחיה לתיקון עצמי. המספרים מראים בבירור שרוב המודלים יודעים לנסח שהם אולי טועים, אבל מתקשים לבצע את התיקון בפועל בלי דחיפה ייעודית.

מתאים ל

• בחירת מודל להיגיון מורכב

  השוואת ביצועי מודלים במשימות עם מלכודות לוגיות לפי יכולת התיקון העצמי שלהם.

• מחקר מטא-קוגניציה ב־AI

  בחינת הפער בין היכולת של מודל להצהיר על חוסר ביטחון לבין היכולת לתקן בפועל.

• תכנון פרומפטים מבוססי תיקון

  הבנת תוספת הדיוק שמקבלים ממעבר להנחיות שדורשות זיהוי טעויות מובנה.

איפה זה נופל

זהו לוח תוצאות בלבד ולא סביבת בדיקה פעילה. אתם לא יכולים לבדוק בו מודלים עצמאיים, להזין פרומפטים או לאמת בעצמכם את התוצאות מול טקסטים בעברית, מאחר שכל מאגר המשימות נכתב באנגלית בלבד. מי שרוצה להריץ את המבחן על המודל שלו יצטרך להוריד את הדאטהסט מהרשת ולהריץ את הקוד עצמאית בסביבת פיתוח.

איך משתמשים

העמוד בנוי כאתר סטטי, כך שהוא נטען מיד בדפדפן בלי זמני המתנה, בלי תורים ובלי שום צורך בהרשמה או התחברות. אין פה לחצני הרצה או שדות טקסט לפניות API, אלא ממשק מוכן לעיון, קריאת נתונים וסינון הציונים של הדגמים השונים.

הרישיון

הפרויקט מפורסם תחת רישיון apache-2.0, שמאפשר שימוש חופשי, העתקה, הפצה ושינוי גם למטרות מסחריות, בכפוף לשמירה על תנאי הרישיון והודעות זכויות היוצרים.

• שימוש מסחרי
• שינוי הקוד
• הפצה מחדש
• שימוש בפטנטים

הרישיון המלא ב־Hugging Face ↗