Depo ayrıntısı
xinxuxin/keystone-bench
A clinical decision-evidence benchmark: pull the one fact an answer rests on, and see whether the assistant's action moves with the evidence. Built on HealthBench.
Python NOASSERTION 07 Eylül 2026 son push 20 Ekim 2026 3 fork
Yıldız
1.083+1.058 · 52 gün
Commit · 28g
19
son 28 günde
Yazar · 28g
1
farklı katkıcı
Detaylı değerlendirme
Bu repo için detaylı değerlendirme henüz yapılmadı. Analiz, Ayarlar'daki uyum profilini hesaba katarak "bu işime yarar mı" sorusunu cevaplıyor. Bir kez çalışır; günlük koşular buna dokunmaz. Saatlik sınır var — bir kaynaktan en fazla 3 analiz.