// 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 | 95.1 | — | 90.0 | — |
| belebele | 90.4 | — | 89.0 | — |
| dyk | 84.2 | — | 85.0 | — |
| polemo2_in | 83.0 | — | 82.1 | — |
| cbd | 77.0 | — | 60.5 | — |
| 8tags | 76.9 | — | 75.0 | — |
| ppc | 79.1 | — | 77.0 | — |
| polemo2_out | 74.0 | — | 74.8 | — |
| klej_ner | 58.0 | — | 53.0 | — |
| polqa (reranking MC) | — | — | 80.0 | — |
| polqa_closed_bookbroken | 0.0 ⚠ | — | — ⚠ | — |
| polqa_open_bookbroken | 0.0 ⚠ | — | — ⚠ | — |
| poquad_open_bookbroken | 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.