Share your thoughts, 1 month free Claude Pro on usSee more

CBT conversation generation on EmoLLM (test)

0.91Bert Score

Deepseek V3 671B

Updated 1mo ago

Evaluation Results

Method	Links
Deepseek V3 671B 2026.02		0.91	0.41	52	0.7	0.39	0.47
CBT-BENCH 7B 2026.02		0.91	0.4	27	0.65	0.19	0.31
Alpaca 7B 2026.02		0.91	0.41	27	0.61	0.29	0.48
SIF 7B 2026.02		0.91	0.41	47	0.69	0.32	0.41
SoulChat 7B 2026.02		0.9	0.41	25	0.65	0.25	0.39
Llama 7B 2026.02		0.9	0.41	32	0.66	0.27	0.46
Qwen2 7B 2026.02		0.9	0.41	46	0.67	0.3	0.41
Deepseek R1 671B 2026.02		0.89	0.38	56	0.66	0.33	0.41
CBT-LLM 7B 2026.02		0.89	0.41	12	0.58	0.13	0.26
Chatglm 7B 2026.02		0.89	0.4	45	0.65	0.25	0.35
Deepseek R1 671B 2026.02		0.69	0.45	57	0.06	0.35	0.26
Deepseek V3 671B 2026.02		0.69	0.32	63	0.08	0.33	0.27
SIF 7B 2026.02		0.68	0.28	58	0.08	0.3	0.25
Qwen2 7B 2026.02		0.67	0.21	56	0.08	0.27	0.23
CBT-BENCH 7B 2026.02		0.65	-0.28	59	0.08	0.16	0.18
Chatglm 7B 2026.02		0.65	-0.32	48	0.08	0.13	0.17
SoulChat 7B 2026.02		0.64	-0.1	55	0.06	0.15	0.14
CBT-LLM 7B 2026.02		0.63	-1.04	27	0.07	0.04	0.1
Llama 7B 2026.02		0.62	-0.67	36	0.06	0.08	0.13
Alpaca 7B 2026.02		0.58	-0.91	25	0.05	0.05	0.12