Tarefa qrdata_socsci.358
qrdata_socsciagentT2publicépoca 1, tentativa 1Execução: 20261015T170010Z-suite-qrdata_socsci-scripted-7912b3Veredito
Motivo: no reference path (coverage gap)
Pergunta feita ao analista
We are estimating the average treatment effect (ATE) of the new drug on the amount of days the patient stays in the hospital, and we already controlled for the severity. Should we also control for the 'hospital' variable? Please answer with 'yes' or 'no'.
Valores esperados e de onde vêm
qrdata.gold.358
- Fonte
- QRData benchmark/QRData.json at de450af45ff7101b328bb064c6b475f73414a7ed (Xiao Liu, Zirui Wu, Xueqing Wu, Pan Lu, Kai-Wei Chang, Yansong Feng. Are LLMs Capable of Data-based Statistical and Causal Reasoning? Benchmarking Advanced Quantitative Reasoning with Data. Findings of the Association for Computational Linguistics: ACL 2024, pages 9215-9235.)
- Tipo
- benchmark_gold
- Localização
- QRData.json item 358 (0-based), field 'answer'
- Trecho
item 358 answer no
- Valor
- —
- Conferido por
- arquivo do benchmark · The printed gold is in the excerpt and index.json. It has fewer than 3 significant digits, so it is not set as value_as_published: the isolation gate searches that field verbatim, and a string this short can occur anywhere in a prompt (the gate does not search such numbers either).
- sha256 da cópia lida
e076d960f19434adf728aab70480ce34808c06066fcea48eaa38b145d1a111a1(identifica a cópia lida, não um arquivo canônico)- Endereço
https://raw.githubusercontent.com/xxxiaol/QRData/de450af45ff7101b328bb064c6b475f73414a7ed/benchmark/QRData.json- Licença
- CC BY-NC 4.0
qrdata.eval_py
- Fonte
- QRData benchmark/eval.py at de450af45ff7101b328bb064c6b475f73414a7ed (Xiao Liu, Zirui Wu, Xueqing Wu, Pan Lu, Kai-Wei Chang, Yansong Feng. Are LLMs Capable of Data-based Statistical and Causal Reasoning? Benchmarking Advanced Quantitative Reasoning with Data. Findings of the Association for Computational Linguistics: ACL 2024, pages 9215-9235.)
- Tipo
- software
- Localização
- benchmark/eval.py: extract_first_number, calc_acc
- Valor
- —
- Conferido por
- arquivo do benchmark · Vendored byte for byte as suites/data/qrdata_socsci/vendor/benchmark_eval.py.txt; a parity test runs its functions against MAGI's port and the answer_figure_close check.
- Implementação
- independente da ferramenta
- sha256 da cópia lida
d6e5c1f7535ac9413951996c15544beb6f184244acb2da56e1fcd0942837e33d(identifica a cópia lida, não um arquivo canônico)- Endereço
https://raw.githubusercontent.com/xxxiaol/QRData/de450af45ff7101b328bb064c6b475f73414a7ed/benchmark/eval.py- Licença
- CC BY-NC 4.0
Verificações
| # | Verificação | Obrigatória | Resultado | Esperado | Observado | Tolerância | Fonte | Chamada |
|---|
Caminho de referência e caminho do agente
A chamada de referência ao lado da chamada que deu a resposta, argumento por argumento.
Nenhum caminho de referência registrado para esta tarefa.
Trajetória
Cada evento na ordem em que aconteceu: turnos do modelo, chamadas de ferramentas, guardas, transformações e pontuação.
Esta tentativa não tem trajetória publicada.
Épocas × verificações
Tentativas
Cada tentativa é seu próprio arquivo e é publicada; só a última de cada época é pontuada.
- época 1, tentativa 1puladapontuada(exibindo)
no reference path (coverage gap)
Downloads desta tarefa
fd2bf543db4c2a0eefc82c8af6ddbda07aab097051cd4e98cadee5b83f72d049O hash de um zip é só de transporte: o que ancora a integridade é o RUN_SHA256SUMS que vai dentro dele, cópia exata do SHA256SUMS da execução.
| Arquivo | Tamanho | sha256 |
|---|---|---|
| native/qrdata_socsci/qrdata_socsci.358.e1.a1.json | 203 B | 95323e8c3028fe10f4324e8cd3aa00ecfa563ab1491bf5e51e5a57c132027bc5 |
| sources/qrdata.eval_py.json | 1,3 KB | d610b61f390d29ce767e08ce850eab5cb0dc4d13c1edb62d8cf3b0e49a3a291a |
| sources/qrdata.gold.358.json | 1,4 KB | 4e81a76e8c0f83625479c3dcf4e706eb1ce11b3f5ef02bcf907900f669bb7ae0 |
| specs/qrdata_socsci.358.json | 4,1 KB | d7f8ddd437bc26ef9e6899f60285edebaf0b0884be74d1706cd5aaec39b5404f |