AGmind Հայցել scope

Claim

gemma-4-26B-A4B-it Q4_0 Ryzen AI Max+ 395-ի վրա (llama.cpp Vulkan) — unanswerable-control honesty: 75.0 հարցումների %

active lab_repeated strix.gemma4.longctx.c1.control-success

75.0հարցումների %

Չափումը

Beelink GTR9 Pro — AMD Ryzen AI Max+ 395, Radeon 8060S (gfx1151), 128 GB LPDDR5X-8000 unified համակարգի վրա, llama.cpp (server, Vulkan backend), b9049 (server_fingerprint b9049-2496f9c14) runtime-ով և ggml-org/gemma-4-26B-A4B-it-GGUF @ bb4531cda34d (Q4_0) մոդելով չափված «unanswerable-control honesty» մեծությունը կազմել է 75.0 հարցումների % (share of all control requests)։ Չափումը կատարվել է long-context-v1@2026-08-03 սառեցված workload-ի տակ; ապացույցի մակարդակը՝ lab_repeated, 3 վավեր գործարկում 1 ֆիզիկական յունիթի վրա։ Արժեքը վերաստացվում է գործարկումների հում գրառումներից ամեն CI build-ում։

Ձևակերպում

Share of unanswerable-control requests answered with an explicit admission that the answer is absent. Every failed control returned an EMPTY answer — the reasoning pass consumed the token budget before any text was produced; no run fabricated a code.

Claim-երի ձևակերպումները հրապարակվում են միայն անգլերեն — սա կանոնական, մեջբերելի տարբերակն է։

Ապացույցներ

Համակարգ
Beelink GTR9 Pro — AMD Ryzen AI Max+ 395, Radeon 8060S (gfx1151), 128 GB LPDDR5X-8000 unified
Runtime
llama.cpp (server, Vulkan backend), b9049 (server_fingerprint b9049-2496f9c14)
Մոդելի արտեֆակտ
ggml-org/gemma-4-26B-A4B-it-GGUF @ bb4531cda34d (Q4_0)
Շրջանակ
long-context-v1@2026-08-03
Ագրեգացիա
share of all control requests
Ապացույցի մակարդակ
lab_repeated
Կարգավիճակ
active
Սահմանափակումներ
Three repeated runs on one unit. Default operating mode of the model (reasoning emitted); disabling reasoning via the chat template was not tested for this model family. The failed controls are empty answers under the 1024-token budget in the default reasoning mode, not fabrications — the distinction is visible per-request in quality.jsonl.
Գործարկումներ

Արժեքի ստացումը

Արժեքն ամեն CI build-ում վերաստացվում է գործարկումների հում գրառումներից այս հարցումով — հրապարակված թիվը չի կարող լուռ շեղվել իր ապացույցներից։

catalog/claims/sql/control-success.sql

Ինչպես մեջբերել

AGmind Systems Lab. "Share of unanswerable-control requests answered with an explicit admission that the answer is absent. Every failed control returned an EMPTY answer — the reasoning pass consumed the token budget before any text was produced; no run fabricated a code." Claim strix.gemma4.longctx.c1.control-success (75.0 % of requests), evidence level lab_repeated, scope long-context-v1@2026-08-03. https://agmind.ai/claims/strix.gemma4.longctx.c1.control-success/
@misc{agmind_strix_gemma4_longctx_c1_control_success,
  author       = {{AGmind Systems Lab}},
  title        = {Share of unanswerable-control requests answered with an explicit admission that the answer is absent. Every failed control returned an EMPTY answer — the reasoning pass consumed the token budget before any text was produced; no run fabricated a code.},
  howpublished = {\url{https://agmind.ai/claims/strix.gemma4.longctx.c1.control-success/}},
  note         = {Claim strix.gemma4.longctx.c1.control-success: 75.0 \% of requests; evidence level lab\_repeated; scope long-context-v1@2026-08-03},
  year         = {2026}
}

Մեքենայաընթեռնելի. /claims/strix.gemma4.longctx.c1.control-success.json · ամբողջ ռեեստրը

Ունե՞ք համադրելի սարքաշար։ Այս claim-ը կարելի է վերարտադրել. /reproduce/

Հրապարակված արդյունքների ուղղումները արձանագրվում են հրապարակայնորեն. errata

← Բոլոր claim-երը