Versión exacta
Comprueba el identificador del modelo, la fecha y si el alias puede cambiar.
Resultados publicados y condiciones declaradas por sus fuentes. Las cifras solo son comparables cuando coinciden versión, configuración, métrica y fecha.
| Modelo | Organización | Resultado | Métrica | Condiciones |
|---|---|---|---|---|
| SingProbe DeepSeek-V4.1-Flash-1017 | inclusionAI | 0,8668 | F1 | F1 de consulta sobre seis benchmarks y F1 de seguridad de respuesta sobre ocho, con igual peso por benchmark y un umbral elegido por suite. El AUC de alucinación cubre seis benchmarks. No son probabilidades universales ni evaluaciones de Inferama. |
| SingProbe Ling-3.1-flash-1019 | inclusionAI | 0,8707 | F1 | F1 de consulta sobre seis benchmarks y F1 de seguridad de respuesta sobre ocho, con igual peso por benchmark y un umbral elegido por suite. El AUC de alucinación cubre seis benchmarks. No son probabilidades universales ni evaluaciones de Inferama. |
Comprueba el identificador del modelo, la fecha y si el alias puede cambiar.
Revisa herramientas, esfuerzo, número de intentos, prompt y presupuesto de inferencia.
Valida el resultado con tareas, idiomas, formatos y errores representativos de tu producto.
Un benchmark público orienta, pero no sustituye una evaluación con tus datos, herramientas, presupuesto y tolerancia al error.
Un alias móvil y un snapshot pueden producir resultados diferentes. Registra modelo, fecha y proveedor.
Prompt, razonamiento, herramientas, número de intentos y presupuesto deben ser equivalentes para comparar.
Una diferencia pequeña puede desaparecer entre ejecuciones. Conserva muestras, dispersión y fallos, no solo la media.
Valida si la mejora se mantiene en idiomas, formatos y casos reales cercanos a tu producto.
Una métrica solo es útil cuando conocemos la tarea, las condiciones y el error que importa. El resultado empieza por el diseño de la prueba.