Conjunto fijo de entradas y criterios esperados que se usa para comparar versiones de modelos o prompts. Conserva casos límite representativos y referencias revisadas por personas; las puntuaciones automáticas por sí solas pueden pasar por alto problemas de calidad.
Conjunto de datos de evaluación
Conjunto fijo de entradas y criterios esperados que se usa para comparar versiones de modelos o prompts. Conserva casos límite representativos y referencias revisadas por personas; las puntuaciones automáticas por sí solas pueden pasar por alto problemas de calidad.