Tarefa qrdata_socsci.366
qrdata_socsciagentT2publicépoca 1, tentativa 1Execução: 20261015T170010Z-suite-qrdata_socsci-scripted-7912b3Veredito
Motivo: no reference path (coverage gap)
Pergunta feita ao analista
What is the average treatment effect of the growth mindset on the achievement score? Please use propensity score weighting in estimation, use logistic regression to estimate the propensity score, and round the final answer to the nearest hundredth.
Valores esperados e de onde vêm
qrdata.gold.366
- 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 366 (0-based), field 'answer'
- Trecho
item 366 answer 0.39
- Valor
- 0,39
0.39 - 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
b763c5454e13b882ec334d53548d29b6ea51b0abff5f78bc10e955ac179e7858O 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.366.e1.a1.json | 199 B | 503501c0d103d507efd194ed85b12c27a839be944608de5389e5b7b593be1311 |
| sources/qrdata.eval_py.json | 1,3 KB | d610b61f390d29ce767e08ce850eab5cb0dc4d13c1edb62d8cf3b0e49a3a291a |
| sources/qrdata.gold.366.json | 1,4 KB | 0508ddee6cb6c91fff04303df2e88028dd898826249342d7f61560d03aea7670 |
| specs/qrdata_socsci.366.json | 5,3 KB | ba9560f94b3276beda2d7bb07776ed4f536d43a01ab7079b32af2ebbe07800bd |