Segundo round: cifras de VerityBench (24 personas ocultas × 3; juez: el 72B). Runs anteriores: su propia evaluación. Diferencias de pocos puntos son ruido. Textos de seguridad, actividades y reglas aún sin revisión clínica.
Elige un modelo
Selecciona un modelo a la izquierda. El 27B y el 72B tardan unos minutos en cargar la primera vez.