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

Scientific question generation on IntelliReward (test)

0.28Effort

o3

Updated 1mo ago

Evaluation Results

Method	Links
o3 2026.01		0.28	0.14	0.3	0.72	16.81
IntelliAsk-32B 2026.01		0.23	0.12	0.2	0.55	21.37
gemini-2.5-pro 2026.01		0.22	0.11	0.18	0.51	25.75
deepseek-chat-v3.1 2026.01		0.11	0.2	0.17	0.48	36.83
gpt-5 2026.01		0.09	0.2	0.16	0.45	18.63
claude-3.7-sonnet 2026.01		0.09	0.18	0.15	0.42	45.14
llama-4-maverick 2026.01		0.09	0.17	0.15	0.41	48.48
gpt-oss-120b 2026.01		0.08	0.15	0.12	0.35	22.99
claude-3.7-sonnet 2026.01		0.08	0.16	0.13	0.37	47.13
gemini-2.5-flash 2026.01		0.08	0.15	0.15	0.38	39.06
gpt-4.1 2026.01		0.07	0.12	0.12	0.31	31.73
grok-4 2026.01		0.07	0.14	0.12	0.33	35.47
gpt-oss-20b 2026.01		0.06	0.11	0.1	0.27	24.81
Qwen3-32B 2026.01		0.05	0.13	0.09	0.28	26.73
IntelliAsk-7B 2026.01		0.03	0.07	0.07	0.17	27.44
OpenReviewer-8B 2026.01		0	0	0.1	0.1	51.14
DeepReviewer-7B 2026.01		0	0	0.1	0.1	48.14
Qwen2.5-7B 2026.01		0	0.01	0.01	0.02	49.93
Qwen2.5-7B SFT 2026.01		0	0.01	0.02	0.03	42.11