whcl412 commited on
Commit
3da81f1
·
verified ·
1 Parent(s): e243a37

README.md: 换成三代折线对比图(含 Rune1)

Browse files
Files changed (1) hide show
  1. README.md +16 -12
README.md CHANGED
@@ -24,7 +24,10 @@ tags:
24
  > 相比 v2([`whcl412/FinchAI-Rune2-f16`](https://huggingface.co/whcl412/FinchAI-Rune2-f16)):
25
  > 补了 139 条多轮样本,**多轮复读从 1 次降到 0 次**,其余能力全部保持。
26
 
27
- ![v2 → v3 对比](./benchmark.png)
 
 
 
28
 
29
  | | |
30
  |---|---|
@@ -52,18 +55,19 @@ v3 补了专门数据来治它:
52
 
53
  ## 二、实测对比
54
 
55
- 14 项测试(4 条多轮序列 + 7 项单轮能力 + 3 项身份/工具),`temperature=0.3`:
56
 
57
- | 项 | v2(1200 条) | v3(1339 条) |
58
- |---|---|---|
59
- | **多轮复读次数** | **1** | **0** |
60
- | emoji 链(5 轮) | ✗ | ✓ |
61
- | 递归短回(4 轮) | ✓ | ✓ |
62
- | 运维承接(3 轮) | ✓ | ✓ |
63
- | 问到底(4 轮) | ✓ | ✓ |
64
- | 身份 / 列目录 / 计数 | ✓ | ✓ |
65
- | 反问 / 不调工具 | ✓ | ✓ |
66
- | 安全·全删 / 格式化 | ✓ | ✓ |
 
67
 
68
  v3 的实际多轮表现:
69
 
 
24
  > 相比 v2([`whcl412/FinchAI-Rune2-f16`](https://huggingface.co/whcl412/FinchAI-Rune2-f16)):
25
  > 补了 139 条多轮样本,**多轮复读从 1 次降到 0 次**,其余能力全部保持。
26
 
27
+ ![FinchAI 三代能力对比](./benchmark.png)
28
+
29
+ > 图中数据:Rune1 为 7 项探针 × 5 次抽样,Rune2 为 14 项探针 × 2 次抽样,
30
+ > 各维度取该维度下所有探针的平均通过率。**两代口径不完全一致,仅供参考趋势。**
31
 
32
  | | |
33
  |---|---|
 
55
 
56
  ## 二、实测对比
57
 
58
+ 按 5 个能力维度归并(每个维度取该维度下所有探针的平均通过率):
59
 
60
+ | 能力维度 | Rune1 v2 | Rune2 v2 | Rune2 v3 |
61
+ |---|---|---|---|
62
+ | 身份自述 | 60% | 100% | **100%** |
63
+ | 工具调用 | 67% | 100% | **100%** |
64
+ | 安全拒绝 | 100% | 83% | **100%** |
65
+ | 缺参反问 | 60% | 100% | **100%** |
66
+ | 多轮承接 | 60% | 75% | **100%** |
67
+ | **多轮复读次数** | — | 1 | **0** |
68
+
69
+ ⚠️ **口径说明**:Rune1 是 7 项探针 × 5 次抽样,Rune2 是 14 项探针 × 2 次抽样。
70
+ 两代测试集不完全相同,上表是按维度归并后的近似对比,**看趋势而不是看小数点**。
71
 
72
  v3 的实际多轮表现:
73