zelk12
/

BenchPack_for_BenchLocal

@@ -24,7 +24,7 @@ These are just test sets for BenchLocal, the first test set is IFEval-mini, a se
 The set was compiled by Gemini 3.8 Flash. I conducted a test on this set, reviewed the results, and read the tasks, indicating what was written incorrectly in the tasks and how some of them could be corrected. The main goal in compiling IFEval tasks was to write tasks that are read strictly unambiguously and composed in such a way as to comply with the validator.
 # GPQA-mini
-Gemini 3.8 Flash was compiled entirely, with a very large number of restarts due to site crashes, and some edits.
 While I could still remotely check IFEval-mini, here my check only concerned general things, since I don’t understand the issues that were written.
 # MuSR-mini
@@ -45,12 +45,11 @@ ___
 Набор был составлен Gemini 3.8 Flash, я в данном наборе, проводил тест, этого набора, просматривал результаты, и читал задания, указывал, что в заданиях написано не верно, и как некоторые из них можно исправить, основная задача в составлении заданий IFEval, была, такова, чтобы написать задания которые читаются строго односмыслено, и составлены так, чтобы соответсвовать валидатору.
 # GPQA-mini
-Полностью составлялся Gemini 3.8 Flash, с очень большим количеством перезапусков, из-за поломок сайта, и внесением некоторых правок.
 Если IFEval-mini я ещё отдалённо мог проверять, то здесь моя проверка касалась только общих вещей, так как я не разбираюсь в тех вопросах которые были написаны.
 # MuSR-mini
 Аналогично с остальными большая часть текста, составлена Gemini 3.8 Flash, мною вводились предложения, по внесению изменений, такие, как сделать, необходимость, указать множество вещей разом.
 # MMLU-Pro
-Есть ощущение, что по составлению, это оказался один из самых простых тестов.
-Ладно, увидел, ошибку, в том, что не указан точный формат ответа, сейчас буду исправлять.

 The set was compiled by Gemini 3.8 Flash. I conducted a test on this set, reviewed the results, and read the tasks, indicating what was written incorrectly in the tasks and how some of them could be corrected. The main goal in compiling IFEval tasks was to write tasks that are read strictly unambiguously and composed in such a way as to comply with the validator.
 # GPQA-mini
+Gemini 3.8 Flash was compiled entirely, with a very large number of restarts due to site crashes, and some edits.
 While I could still remotely check IFEval-mini, here my check only concerned general things, since I don’t understand the issues that were written.
 # MuSR-mini
 Набор был составлен Gemini 3.8 Flash, я в данном наборе, проводил тест, этого набора, просматривал результаты, и читал задания, указывал, что в заданиях написано не верно, и как некоторые из них можно исправить, основная задача в составлении заданий IFEval, была, такова, чтобы написать задания которые читаются строго односмыслено, и составлены так, чтобы соответсвовать валидатору.
 # GPQA-mini
+Полностью составлялся Gemini 3.8 Flash, с очень большим количеством перезапусков, из-за поломок сайта, и внесением некоторых правок.
 Если IFEval-mini я ещё отдалённо мог проверять, то здесь моя проверка касалась только общих вещей, так как я не разбираюсь в тех вопросах которые были написаны.
 # MuSR-mini
 Аналогично с остальными большая часть текста, составлена Gemini 3.8 Flash, мною вводились предложения, по внесению изменений, такие, как сделать, необходимость, указать множество вещей разом.
 # MMLU-Pro
+Есть ощущение, что по составлению, это оказался один из самых простых тестов.