// 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 | 96.9 | +1.8 | 91.2 | +1.2 |
| belebele | 89.9 | −0.5 | 89.6 | +0.6 |
| dyk | 87.5 | +3.3 | 88.1 | +3.1 |
| polemo2_in | 86.7 | +3.7 | 84.8 | +2.7 |
| cbd | 79.4 | +2.4 | 63.0 | +2.5 |
| 8tags | 78.3 | +1.4 | 77.6 | +2.6 |
| ppc | 78.2 | −0.9 | 78.7 | +1.7 |
| polemo2_out | 75.7 | +1.7 | 75.9 | +1.1 |
| klej_ner | 54.7 | −3.3 | 50.9 | −2.1 |
| polqa (reranking MC) | — | — | 82.7 | +2.7 |
| 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.