ManhHoDinh's picture
Publish completed dpo mixed-v2 Luna benchmark
d66cb50 verified
|
Raw History Blame Contribute Delete
7.69 kB

Mixed-v2 Luna benchmark: dpo

Single Luna automated assessment on a 0..4 ordinal scale. Primary results use 150 evaluation inputs per language; 50 development inputs per language are reported separately. Agent-authored annotations are not native-speaker gold. Native review, independent consensus, and judge bias calibration are not assessed. This release covers only the named model. Missing applicability is excluded from criterion counts. Provider billing and upstream retry totals are unknown.

Judge: cx/gpt-5.6-luna. Verified judgments: 3,400 / 3,400 for this model.

Evaluation (2,550 inputs)

Each cell is mean / 4 (applicable count). Full 0..4 score distributions are in report.json.

Language relevance intent_coverage faithfulness entity_fidelity concision fluency safety
all 2.591 (n=2550) 1.478 (n=2505) 3.018 (n=2550) 2.105 (n=2229) 3.573 (n=2550) 2.676 (n=2550) 3.896 (n=318)
de 3.027 (n=150) 1.987 (n=150) 3.273 (n=150) 2.644 (n=149) 3.933 (n=150) 3.273 (n=150) 3.900 (n=20)
en 3.453 (n=150) 2.333 (n=150) 3.673 (n=150) 2.828 (n=145) 4.000 (n=150) 3.893 (n=150) 4.000 (n=14)
es 3.233 (n=150) 2.307 (n=150) 3.533 (n=150) 2.535 (n=127) 3.980 (n=150) 3.720 (n=150) 3.917 (n=12)
fil 2.153 (n=150) 1.060 (n=150) 2.733 (n=150) 1.904 (n=135) 3.293 (n=150) 1.833 (n=150) 3.824 (n=17)
fr 3.167 (n=150) 2.120 (n=150) 3.360 (n=150) 2.627 (n=142) 3.980 (n=150) 3.453 (n=150) 3.929 (n=14)
id 2.067 (n=150) 0.893 (n=150) 2.600 (n=150) 1.619 (n=105) 3.260 (n=150) 2.247 (n=150) 3.850 (n=20)
ja 2.967 (n=150) 1.807 (n=150) 3.320 (n=150) 2.338 (n=145) 3.973 (n=150) 3.533 (n=150) 4.000 (n=20)
ko 3.180 (n=150) 2.060 (n=150) 3.460 (n=150) 2.484 (n=124) 3.967 (n=150) 3.660 (n=150) 3.792 (n=24)
lo 1.780 (n=150) 0.460 (n=150) 2.520 (n=150) 1.286 (n=105) 2.507 (n=150) 0.753 (n=150) 4.000 (n=20)
ms 2.333 (n=150) 1.207 (n=150) 2.827 (n=150) 1.914 (n=116) 3.560 (n=150) 2.493 (n=150) 3.733 (n=15)
my 1.373 (n=150) 0.520 (n=150) 1.680 (n=150) 1.035 (n=114) 3.020 (n=150) 0.640 (n=150) 4.000 (n=27)
pt 3.120 (n=150) 2.113 (n=150) 3.473 (n=150) 2.420 (n=131) 3.987 (n=150) 3.627 (n=150) 3.882 (n=17)
ru 2.733 (n=150) 1.352 (n=105) 2.987 (n=150) 2.128 (n=133) 3.933 (n=150) 2.820 (n=150) 3.722 (n=18)
ta 1.787 (n=150) 0.453 (n=150) 2.460 (n=150) 1.385 (n=135) 2.633 (n=150) 1.213 (n=150) 3.857 (n=14)
th 2.053 (n=150) 0.927 (n=150) 2.827 (n=150) 1.297 (n=128) 2.947 (n=150) 1.967 (n=150) 3.875 (n=16)
vi 2.447 (n=150) 1.333 (n=150) 3.187 (n=150) 1.931 (n=145) 3.787 (n=150) 2.920 (n=150) 4.000 (n=24)
zh 3.173 (n=150) 2.153 (n=150) 3.393 (n=150) 2.733 (n=150) 3.973 (n=150) 3.447 (n=150) 3.885 (n=26)

Development (850 inputs)

Each cell is mean / 4 (applicable count). Full 0..4 score distributions are in report.json.

Language relevance intent_coverage faithfulness entity_fidelity concision fluency safety
all 2.548 (n=850) 1.462 (n=833) 2.932 (n=850) 2.109 (n=740) 3.555 (n=850) 2.613 (n=850) 3.923 (n=104)
de 3.140 (n=50) 2.040 (n=50) 3.380 (n=50) 2.612 (n=49) 3.920 (n=50) 3.100 (n=50) 4.000 (n=4)
en 3.540 (n=50) 2.240 (n=50) 3.640 (n=50) 2.898 (n=49) 4.000 (n=50) 3.740 (n=50) 4.000 (n=6)
es 3.240 (n=50) 2.220 (n=50) 3.400 (n=50) 2.537 (n=41) 4.000 (n=50) 3.660 (n=50) 4.000 (n=7)
fil 2.120 (n=50) 0.940 (n=50) 2.560 (n=50) 1.956 (n=45) 3.340 (n=50) 2.040 (n=50) 3.857 (n=7)
fr 3.040 (n=50) 1.900 (n=50) 3.140 (n=50) 2.640 (n=50) 4.000 (n=50) 3.560 (n=50) 3.500 (n=4)
id 2.140 (n=50) 1.040 (n=50) 2.780 (n=50) 1.867 (n=45) 3.360 (n=50) 2.140 (n=50) 4.000 (n=5)
ja 3.000 (n=50) 1.700 (n=50) 3.360 (n=50) 2.250 (n=48) 3.980 (n=50) 3.580 (n=50) 4.000 (n=6)
ko 3.160 (n=50) 2.080 (n=50) 3.460 (n=50) 2.405 (n=37) 3.960 (n=50) 3.480 (n=50) 4.000 (n=9)
lo 1.600 (n=50) 0.440 (n=50) 2.440 (n=50) 0.914 (n=35) 2.100 (n=50) 0.620 (n=50) 4.000 (n=5)
ms 2.140 (n=50) 1.380 (n=50) 2.700 (n=50) 1.750 (n=32) 3.600 (n=50) 2.200 (n=50) 4.000 (n=6)
my 0.980 (n=50) 0.300 (n=50) 1.380 (n=50) 0.975 (n=40) 2.900 (n=50) 0.520 (n=50) 4.000 (n=5)
pt 3.020 (n=50) 1.960 (n=50) 3.280 (n=50) 2.326 (n=43) 3.960 (n=50) 3.420 (n=50) 3.600 (n=5)
ru 2.880 (n=50) 1.485 (n=33) 3.120 (n=50) 2.595 (n=42) 3.940 (n=50) 2.920 (n=50) 3.714 (n=7)
ta 1.780 (n=50) 0.660 (n=50) 2.440 (n=50) 1.442 (n=43) 2.720 (n=50) 1.080 (n=50) 4.000 (n=6)
th 1.900 (n=50) 0.940 (n=50) 2.520 (n=50) 1.279 (n=43) 2.900 (n=50) 1.760 (n=50) 4.000 (n=8)
vi 2.340 (n=50) 1.320 (n=50) 2.780 (n=50) 1.875 (n=48) 3.820 (n=50) 2.940 (n=50) 3.857 (n=7)
zh 3.300 (n=50) 2.220 (n=50) 3.460 (n=50) 2.860 (n=50) 3.940 (n=50) 3.660 (n=50) 4.000 (n=7)

Combined (3,400 inputs)

Each cell is mean / 4 (applicable count). Full 0..4 score distributions are in report.json.

Language relevance intent_coverage faithfulness entity_fidelity concision fluency safety
all 2.580 (n=3400) 1.474 (n=3338) 2.996 (n=3400) 2.106 (n=2969) 3.568 (n=3400) 2.660 (n=3400) 3.903 (n=422)
de 3.055 (n=200) 2.000 (n=200) 3.300 (n=200) 2.636 (n=198) 3.930 (n=200) 3.230 (n=200) 3.917 (n=24)
en 3.475 (n=200) 2.310 (n=200) 3.665 (n=200) 2.845 (n=194) 4.000 (n=200) 3.855 (n=200) 4.000 (n=20)
es 3.235 (n=200) 2.285 (n=200) 3.500 (n=200) 2.536 (n=168) 3.985 (n=200) 3.705 (n=200) 3.947 (n=19)
fil 2.145 (n=200) 1.030 (n=200) 2.690 (n=200) 1.917 (n=180) 3.305 (n=200) 1.885 (n=200) 3.833 (n=24)
fr 3.135 (n=200) 2.065 (n=200) 3.305 (n=200) 2.630 (n=192) 3.985 (n=200) 3.480 (n=200) 3.833 (n=18)
id 2.085 (n=200) 0.930 (n=200) 2.645 (n=200) 1.693 (n=150) 3.285 (n=200) 2.220 (n=200) 3.880 (n=25)
ja 2.975 (n=200) 1.780 (n=200) 3.330 (n=200) 2.316 (n=193) 3.975 (n=200) 3.545 (n=200) 4.000 (n=26)
ko 3.175 (n=200) 2.065 (n=200) 3.460 (n=200) 2.466 (n=161) 3.965 (n=200) 3.615 (n=200) 3.848 (n=33)
lo 1.735 (n=200) 0.455 (n=200) 2.500 (n=200) 1.193 (n=140) 2.405 (n=200) 0.720 (n=200) 4.000 (n=25)
ms 2.285 (n=200) 1.250 (n=200) 2.795 (n=200) 1.878 (n=148) 3.570 (n=200) 2.420 (n=200) 3.810 (n=21)
my 1.275 (n=200) 0.465 (n=200) 1.605 (n=200) 1.019 (n=154) 2.990 (n=200) 0.610 (n=200) 4.000 (n=32)
pt 3.095 (n=200) 2.075 (n=200) 3.425 (n=200) 2.397 (n=174) 3.980 (n=200) 3.575 (n=200) 3.818 (n=22)
ru 2.770 (n=200) 1.384 (n=138) 3.020 (n=200) 2.240 (n=175) 3.935 (n=200) 2.845 (n=200) 3.720 (n=25)
ta 1.785 (n=200) 0.505 (n=200) 2.455 (n=200) 1.399 (n=178) 2.655 (n=200) 1.180 (n=200) 3.900 (n=20)
th 2.015 (n=200) 0.930 (n=200) 2.750 (n=200) 1.292 (n=171) 2.935 (n=200) 1.915 (n=200) 3.917 (n=24)
vi 2.420 (n=200) 1.330 (n=200) 3.085 (n=200) 1.917 (n=193) 3.795 (n=200) 2.925 (n=200) 3.968 (n=31)
zh 3.205 (n=200) 2.170 (n=200) 3.410 (n=200) 2.765 (n=200) 3.965 (n=200) 3.500 (n=200) 3.909 (n=33)