评测 Run 总数
24
模型 llama-3-70b | 30d
平均 Accuracy
86.3%
↑ 2.1% vs 上周期
Badcase 总数
647
↓ 12% vs 上周期
C/S 关联成功率
76%
1,892/2,477 traces
📈 各 Benchmark Accuracy 趋势（近 7 次 Run）
MMLU
GSM8K
SWE-Bench
📊 Badcase 分类分布
计算/推理错误218
知识/事实错误156
格式/输出不匹配103
Agent 工具使用错误89
截断/空输出81
📋 评测 Run 列表
共 24 个 Run | 最近更新: 2026-08-05 14:32| Run ID | Benchmark | 模型 | vLLM 版本 | Accuracy | Samples | Badcases | 关联率 | 时间 | 状态 |
|---|---|---|---|---|---|---|---|---|---|
| mmlu-20260805-vllm-0.6.1 | MMLU | llama-3-70b | v0.6.1 | 88% | 1,000 | 120 | 91% | 2026-08-05 14:32 | 精度异常 |
| gsm8k-20260803-vllm-0.6.0 | GSM8K | llama-3-70b | v0.6.0 | 91% | 1,319 | 119 | 88% | 2026-08-03 10:15 | 待分析 |
| swe-bench-20260801-vllm-0.5.2 | SWE-Bench | qwen-2.5-72b | v0.5.2 | 72% | 500 | 140 | 65% | 2026-08-01 09:48 | 精度异常 |
| mmlu-20260730-vllm-0.6.1 | MMLU | qwen-2.5-72b | v0.6.1 | 94% | 1,000 | 60 | 95% | 2026-07-30 16:20 | 正常 |
| gsm8k-20260728-vllm-0.5.2 | GSM8K | llama-3-70b | v0.5.2 | 93% | 1,319 | 92 | 82% | 2026-07-28 11:05 | 正常 |
| terminal-bench-20260725-v0.5.0 | Terminal-Bench | llama-3-70b | v0.5.0 | 67% | 200 | 66 | 41% | 2026-07-25 08:30 | 数据不完整 |