// dwa niezależne protokoły — generatywny i MCQ nie są porównywalne między sobą
⚠ dane poglądowe — baza/Bielik oraz guardy EN to placeholder do czasu realnego runu na GPU
| Task | Generatywny | Δ | MCQ | Δ |
|---|---|---|---|---|
| psc | 95.5 | +0.4 | 90.5 | +0.5 |
| belebele | 91.0 | +0.6 | 90.2 | +1.2 |
| dyk | 86.0 | +1.8 | 86.5 | +1.5 |
| polemo2_in | 85.5 | +2.5 | 83.0 | +0.9 |
| cbd | 80.1 | +3.1 | 64.0 | +3.5 |
| 8tags | 79.0 | +2.1 | 76.5 | +1.5 |
| ppc | 80.5 | +1.4 | 79.5 | +2.5 |
| polemo2_out | 76.5 | +2.5 | 76.0 | +1.2 |
| klej_ner | 60.0 | +2.0 | 55.5 | +2.5 |
| polqa (reranking MC) | — | — | 81.5 | +1.5 |
| polqa_closed_bookbroken | 0.0 ⚠ | ±0.0 | — ⚠ | — |
| polqa_open_bookbroken | 0.0 ⚠ | ±0.0 | — ⚠ | — |
| poquad_open_bookbroken | 0.0 ⚠ | ±0.0 | — ⚠ | — |
9 działających zadań w agregacie. Zepsute (3): polqa_closed_book, polqa_open_book, poquad_open_book. Zadania ze statusem ⚠ renderują się jawnie (0.0), ale są wyłączone z agregatu — transparentność jest cechą, nie błędem.