कोणत्याही मॉडेलविरुद्ध बुद्धिबळ खेळा

हे कसे काम करते

तीन पायऱ्या, आणि त्यातील एकही “कॉन्फिगर करा” नाही.

हे काय करू शकते

हे कसे सेट केले आहे

कार्यपद्धती, जेणेकरून साइन इन करण्यापूर्वी तुम्हाला काय मिळत आहे हे तुम्हाला माहीत असेल.

लोक ज्या गोष्टी विचारतात

हे काय करणार नाही

यातील प्रत्येक मर्यादा आम्ही प्रत्यक्षात अनुभवली आहे, हा रोडमॅपचा भाग नाही.

Measured over real runs of this agent, per model. A run counts as finished when it produced the answer on its own — nothing failed, nobody was asked to approve anything, and it did not run out of steps. Read all three columns together: a model that finishes fast by giving up scores badly on the first, and one that completes everything by grinding scores badly on the second.

पूर्णतेचा दर

तुम्हाला हस्तक्षेप न करता काम पूर्ण करणाऱ्या रन्स.

मध्यक खर्च

क्रेडिट्समध्ये, एका सामान्य रनचा खर्च किती येतो.

मध्यक वेळ

भिंतीवरील घड्याळ, पहिल्या संदेशापासून उत्तरापर्यंत.

Medians over the runs behind each row. A model appears once it has 3 runs on this agent, and the run count is shown so you can judge how much a figure rests on.