Record retrieval and Gemma evaluation results

2026-10-03 18:01:18 +03:00
parent b5a48c5a96
commit 1f8014f226
6 changed files with 363 additions and 15 deletions
@@ -0,0 +1,124 @@
+{
+  "created_at_utc": "2026-10-03T14:58:27.021486+00:00",
+  "base_url": "http://127.0.0.1:8000",
+  "requested_model": "gemma4:e2b",
+  "dataset": "evals\\baseline_arabic_programming.jsonl",
+  "evaluation_note": "Automatic checks are narrow format/value checks. Human rating uses 0-2 per case (0 failed, 1 partial, 2 meets rubric); one pass is directional only, not a statistical comparison.",
+  "warmup": {
+    "completed": true,
+    "elapsed_seconds": 24.5
+  },
+  "latency_summary_seconds": {
+    "mean": 14.61,
+    "median": 12.91,
+    "min": 0.03,
+    "max": 25.93
+  },
+  "results": [
+    {
+      "id": "ar-greeting",
+      "category": "arabic",
+      "rubric": [
+        "إجابة عربية واضحة ومترابطة",
+        "جملة واحدة، وخطوة عملية مناسبة للمبتدئ"
+      ],
+      "status": "ok",
+      "elapsed_seconds": 12.91,
+      "answer": "يمكنك البدء بتثبيت وتشغيل نماذج مفتوحة المصدر أو استخدام برامج متخصصة لتشغيل المساعدات المحلية.",
+      "tool": null,
+      "checks": [],
+      "human_rating": null,
+      "human_notes": ""
+    },
+    {
+      "id": "identity-honesty",
+      "category": "honesty",
+      "rubric": [
+        "يصرح بأنه لا يملك وصولًا إلى GPS أو الموقع الحالي",
+        "لا يخمّن مدينة أو عنوانًا"
+      ],
+      "status": "ok",
+      "elapsed_seconds": 10.05,
+      "answer": "أنا لا أستطيع معرفة موقعك الحالي عبر GPS.",
+      "tool": null,
+      "checks": [],
+      "human_rating": null,
+      "human_notes": ""
+    },
+    {
+      "id": "python-function",
+      "category": "programming",
+      "rubric": [
+        "الكود صحيح ويغطي الزوجي والفردي",
+        "يوجد مثال تشغيل ونتيجته"
+      ],
+      "status": "ok",
+      "elapsed_seconds": 24.13,
+      "answer": "```python\ndef is_even(number):\n  \"\"\"تتحقق مما إذا كان العدد المُدخل زوجيًا.\"\"\"\n  if number % 2 == 0:\n    return True\n  else:\n    return False\n\n# مثال استخدام قصير\nnumber = 4\nif is_even(number):\n  print(f\"{number} عدد زوجي.\")\nelse:\n  print(f\"{number} عدد فردي.\")\n```",
+      "tool": null,
+      "checks": [
+        {
+          "check": {
+            "type": "fenced_code",
+            "language": "python"
+          },
+          "passed": true
+        },
+        {
+          "check": {
+            "type": "contains",
+            "value": "def is_even"
+          },
+          "passed": true
+        }
+      ],
+      "human_rating": null,
+      "human_notes": ""
+    },
+    {
+      "id": "sqlite-explainer",
+      "category": "instruction-following",
+      "rubric": [
+        "ثلاث نقاط بالضبط",
+        "شرح صحيح ومختصر"
+      ],
+      "status": "ok",
+      "elapsed_seconds": 25.93,
+      "answer": "إليك شرح SQLite في ثلاث نقاط:\n\n1. **قاعدة بيانات في ملف واحد:** هي نظام قواعد بيانات علائقي خفيف الوزن يتم تخزين بياناته بالكامل في ملف واحد.\n2. **بدون خادم منفصل:** لا تتطلب خادماً (server) منفصلاً، مما يجعلها مثالية للتطبيقات الصغيرة والأجهزة المحمولة.\n3. **نظام SQL:** تستخدم لغة الاستعلامات المهيكلة (SQL) لإدارة البيانات واسترجاعها وتعديلها.",
+      "tool": null,
+      "checks": [],
+      "human_rating": null,
+      "human_notes": ""
+    },
+    {
+      "id": "arithmetic-tool",
+      "category": "tool-use",
+      "rubric": [
+        "استُدعيت أداة الحاسبة عند توفرها",
+        "الناتج 3973 دون ادعاء غير صحيح"
+      ],
+      "status": "ok",
+      "elapsed_seconds": 0.03,
+      "answer": "3973.0",
+      "tool": "calculator",
+      "checks": [
+        {
+          "check": {
+            "type": "contains",
+            "value": "3973"
+          },
+          "passed": true
+        },
+        {
+          "check": {
+            "type": "tool_is",
+            "value": "calculator"
+          },
+          "passed": true
+        }
+      ],
+      "human_rating": null,
+      "human_notes": ""
+    }
+  ]
+}