Dataset Viewer
Auto-converted to Parquet Duplicate
id
stringlengths
16
24
workflow
stringclasses
8 values
split
stringclasses
1 value
state
stringlengths
482
812
questions
stringlengths
772
883
gold
stringlengths
413
469
semantic_family_id
stringclasses
8 values
language
stringclasses
1 value
decision_types
stringclasses
4 values
challenge_tags
stringlengths
49
70
oracle_source
stringclasses
1 value
gold_provenance
stringclasses
1 value
policy_version
stringclasses
1 value
schema_version
stringclasses
1 value
benchmark_version
stringclasses
1 value
customer_support_001
customer_support
development
{"case_description":"شرح پرونده: برداشت بانکی انجام شده اما سفارش در سوابق فروشگاه ثبت نشده است. پس از پاک‌کردن حافظه برنامه، خطا برطرف شده و کاربر فقط راهنمایی کوتاه خواسته است. فقط همین مورد در صف مانده؛ خدمت اصلی ادامه دارد و اقدامی برگشت‌ناپذیر انجام نشده. در پرونده اجازهٔ تماس در شمارهٔ ثبت‌شده به‌صورت صریح علامت ...
{"impact_level":{"criteria":["۰ — اثر ناچیز یا بدون اقدام فوری","۱ — اثر محدود، قابل‌بازگشت و کم‌دامنه","۲ — اثر محسوس یا تکرارشونده که نیازمند پیگیری است","۳ — خطر یا آسیب گسترده و جاری که واکنش فوری می‌خواهد"],"instructions":"شدت پیامد بر اساس واقعیت‌های گزارش‌شده در کدام سطح است؟","type":"score"},"issue_route":{"cri...
{"impact_level":{"label":"0","probabilities":{"0":1.0,"1":0.0,"2":0.0,"3":0.0},"type":"score"},"issue_route":{"label":"billing","probabilities":{"billing":1.0,"delivery":0.0,"technical":0.0},"type":"choice"},"next_step":{"label":"resolve_now","probabilities":{"request_details":0.0,"resolve_now":1.0,"specialist_review":...
customer_support_family_1
Persian with challenge variation
["score","choice","choice","noul"]
["formal_persian","fictional_policy","dynamic_options"]
repository executable deterministic fictional-policy rules
synthetic_deterministic_fictional_policy_oracle
tasmim-persian-screen-oracle-1.0.0
tasmim-persian-screen-v1
v1.0.4
customer_support_002
customer_support
development
{"case_description":"شرح پرونده: هنگام ذخیره سبد خرید صفحه خطای ۵۰۳ نشان داده میشود. برای پاسخ دقیق باید سابقه تراکنش را تیم مالی یا فنی بررسی کند. یک مورد دیگر کمی تأخیر دارد؛ کار ادامه دارد و اصلاح آن قابلبازگشت است. در پرونده فقط پیامرسانی مجاز است و اجازهٔ تماس تلفنی علامت نخورده..","policy":"قواعد ساختگی مرکز: پرد...
{"impact_level":{"criteria":["۰ — اثر ناچیز یا بدون اقدام فوری","۱ — اثر محدود، قابل‌بازگشت و کم‌دامنه","۲ — اثر محسوس یا تکرارشونده که نیازمند پیگیری است","۳ — خطر یا آسیب گسترده و جاری که واکنش فوری می‌خواهد"],"instructions":"شدت پیامد بر اساس واقعیت‌های گزارش‌شده در کدام سطح است؟","type":"score"},"issue_route":{"cri...
{"impact_level":{"label":"1","probabilities":{"0":0.0,"1":1.0,"2":0.0,"3":0.0},"type":"score"},"issue_route":{"label":"technical","probabilities":{"account_access":0.0,"billing":0.0,"technical":1.0},"type":"choice"},"next_step":{"label":"specialist_review","probabilities":{"human_escalation":0.0,"request_details":0.0,"...
customer_support_family_1
Persian with challenge variation
["score","choice","choice","noul"]
["half_space_variation","fictional_policy","dynamic_options"]
repository executable deterministic fictional-policy rules
synthetic_deterministic_fictional_policy_oracle
tasmim-persian-screen-oracle-1.0.0
tasmim-persian-screen-v1
v1.0.4
customer_support_003
customer_support
development
{"case_description":"شرح: بسته از موعد گذشته و کد رهگیری دو روز است تغییری نکرده. کاربر خواسته پاسخ نهایی را یک کارشناس انسانی بررسی کند. چند مورد در این فرایند منتظرند؛ کار موقتاً متوقف شده اما دامنه محدود است. در پرونده اجازهٔ تماس در شمارهٔ ثبت‌شده به‌صورت صریح علامت خورده است.. یادداشت نامرتبط: رنگ صفحه آبی است و ک...
{"impact_level":{"criteria":["۰ — اثر ناچیز یا بدون اقدام فوری","۱ — اثر محدود، قابل‌بازگشت و کم‌دامنه","۲ — اثر محسوس یا تکرارشونده که نیازمند پیگیری است","۳ — خطر یا آسیب گسترده و جاری که واکنش فوری می‌خواهد"],"instructions":"شدت پیامد بر اساس واقعیت‌های گزارش‌شده در کدام سطح است؟","type":"score"},"issue_route":{"cri...
{"impact_level":{"label":"2","probabilities":{"0":0.0,"1":0.0,"2":1.0,"3":0.0},"type":"score"},"issue_route":{"label":"delivery","probabilities":{"account_access":0.0,"billing":0.0,"delivery":1.0},"type":"choice"},"next_step":{"label":"human_escalation","probabilities":{"human_escalation":1.0,"request_details":0.0,"spe...
customer_support_family_1
Persian with challenge variation
["score","choice","choice","noul"]
["distractor_context","fictional_policy","dynamic_options"]
repository executable deterministic fictional-policy rules
synthetic_deterministic_fictional_policy_oracle
tasmim-persian-screen-oracle-1.0.0
tasmim-persian-screen-v1
v1.0.4
agent_tool_selection_001
agent_tool_selection
development
{"case_description":"پیام مشتری: راستش اطلاعات خواسته‌شده زمان‌مند است و منبع عمومی تازه لازم دارد. عمل درخواستی پیام بیرونی می‌فرستد یا تغییری برگشت‌ناپذیر دارد. چند مورد در این فرایند منتظرند؛ کار موقتاً متوقف شده اما دامنه محدود است. این ابزار فقط با حالت اجرا کار می‌کند و ورودی آن پارامتر dry_run ندارد.؛ می‌شه پیگی...
{"continuation":{"criteria":{"approval":"گرفتن تأیید پیش از اجرا","read_only":"ادامه با گام فقط‌خواندنی","stop":"توقف و گزارش مانع"},"instructions":"عامل اکنون چگونه ادامه دهد؟","type":"choice"},"impact_level":{"criteria":["۰ — اثر ناچیز یا بدون اقدام فوری","۱ — اثر محدود، قابل‌بازگشت و کم‌دامنه","۲ — اثر محسوس یا تکرا...
{"continuation":{"label":"approval","probabilities":{"approval":1.0,"read_only":0.0,"stop":0.0},"type":"choice"},"impact_level":{"label":"2","probabilities":{"0":0.0,"1":0.0,"2":1.0,"3":0.0},"type":"score"},"policy_proposition":{"label":"false","probabilities":{"false":1.0,"true":0.0},"type":"noul"},"tool_choice":{"lab...
agent_tool_selection_family_1
Persian with challenge variation
["choice","score","noul","choice"]
["colloquial_persian","fictional_policy","dynamic_options"]
repository executable deterministic fictional-policy rules
synthetic_deterministic_fictional_policy_oracle
tasmim-persian-screen-oracle-1.0.0
tasmim-persian-screen-v1
v1.0.4
agent_tool_selection_002
agent_tool_selection
development
{"case_description":"گزارش کاربر: پاسخ در راهنمای داخلی موجود است و باید بند دقیق آن پیدا شود. عمل بعدی صرفاً مشاهده وضعیت است و هیچ داده‌ای را تغییر نمی‌دهد. توقف به چندین فرایند رسیده و بدون اقدام فوری ادامه خواهد داشت. پارامتر dry_run در ورودی ابزار فعال است و مستند ابزار تضمین می‌کند چیزی را تغییر ندهد..","policy":...
{"continuation":{"criteria":{"approval":"گرفتن تأیید پیش از اجرا","clarify":"شفاف‌سازی ورودی","read_only":"ادامه با گام فقط‌خواندنی"},"instructions":"عامل اکنون چگونه ادامه دهد؟","type":"choice"},"impact_level":{"criteria":["۰ — اثر ناچیز یا بدون اقدام فوری","۱ — اثر محدود، قابل‌بازگشت و کم‌دامنه","۲ — اثر محسوس یا تکر...
{"continuation":{"label":"read_only","probabilities":{"approval":0.0,"clarify":0.0,"read_only":1.0},"type":"choice"},"impact_level":{"label":"3","probabilities":{"0":0.0,"1":0.0,"2":0.0,"3":1.0},"type":"score"},"policy_proposition":{"label":"true","probabilities":{"false":0.0,"true":1.0},"type":"noul"},"tool_choice":{"...
agent_tool_selection_family_1
Persian with challenge variation
["choice","score","noul","choice"]
["minor_typo","fictional_policy","dynamic_options"]
repository executable deterministic fictional-policy rules
synthetic_deterministic_fictional_policy_oracle
tasmim-persian-screen-oracle-1.0.0
tasmim-persian-screen-v1
v1.0.4
agent_tool_selection_003
agent_tool_selection
development
{"case_description":"شرح اصلی: دو فایل با نام مشابه پیدا شده و کاربر مشخص نکرده کدام را منظور دارد. دسترسی لازم وجود ندارد و تکرار عمل مجاز نیست. فقط همین مورد در صف مانده؛ خدمت اصلی ادامه دارد و اقدامی برگشت‌ناپذیر انجام نشده. این ابزار فقط با حالت اجرا کار می‌کند و ورودی آن پارامتر dry_run ندارد.. کاربر چند بار برنام...
{"continuation":{"criteria":{"approval":"گرفتن تأیید پیش از اجرا","clarify":"شفاف‌سازی ورودی","stop":"توقف و گزارش مانع"},"instructions":"عامل اکنون چگونه ادامه دهد؟","type":"choice"},"impact_level":{"criteria":["۰ — اثر ناچیز یا بدون اقدام فوری","۱ — اثر محدود، قابل‌بازگشت و کم‌دامنه","۲ — اثر محسوس یا تکرارشونده که ن...
{"continuation":{"label":"stop","probabilities":{"approval":0.0,"clarify":0.0,"stop":1.0},"type":"choice"},"impact_level":{"label":"0","probabilities":{"0":1.0,"1":0.0,"2":0.0,"3":0.0},"type":"score"},"policy_proposition":{"label":"false","probabilities":{"false":1.0,"true":0.0},"type":"noul"},"tool_choice":{"label":"a...
agent_tool_selection_family_1
Persian with challenge variation
["choice","score","noul","choice"]
["long_context","fictional_policy","dynamic_options"]
repository executable deterministic fictional-policy rules
synthetic_deterministic_fictional_policy_oracle
tasmim-persian-screen-oracle-1.0.0
tasmim-persian-screen-v1
v1.0.4
rag_evidence_001
rag_evidence
development
{"case_description":"User note (Finglish + فارسی): case ro check konid lotfan؛ بند پیدا شده موضوعی نزدیک دارد اما نام یا تاریخ مورد پرسش را پوشش نمی‌دهد. برای تطبیق نام یا بازه زمانی یک داده کلیدی کم است. فقط همین مورد در صف مانده؛ خدمت اصلی ادامه دارد و اقدامی برگشت‌ناپذیر انجام نشده. صفحهٔ منبع یک تاریخ انتشار کامل د...
{"answer_action":{"criteria":{"answer_cite":"پاسخ همراه با استناد","ask_source":"درخواست منبع یا جزئیات","correct_claim":"اصلاح ادعا با استناد"},"instructions":"سامانه پاسخ‌گو چه واکنشی نشان دهد؟","type":"choice"},"evidence_relation":{"criteria":{"insufficient":"برای داوری کافی نیست","mixed":"شواهد متعارض است","support...
{"answer_action":{"label":"ask_source","probabilities":{"answer_cite":0.0,"ask_source":1.0,"correct_claim":0.0},"type":"choice"},"evidence_relation":{"label":"insufficient","probabilities":{"insufficient":1.0,"mixed":0.0,"supports":0.0},"type":"choice"},"impact_level":{"label":"0","probabilities":{"0":1.0,"1":0.0,"2":0...
rag_evidence_family_1
Persian with challenge variation
["choice","choice","score","noul"]
["finglish","fictional_policy","dynamic_options"]
repository executable deterministic fictional-policy rules
synthetic_deterministic_fictional_policy_oracle
tasmim-persian-screen-oracle-1.0.0
tasmim-persian-screen-v1
v1.0.4
rag_evidence_002
rag_evidence
development
{"case_description":"اگر زحمتی نیست، جسارتاً عرض کنم که سند معتبر همان مقدار را برای دوره دیگری ثبت کرده و ادعای متن را رد می‌کند. منبع معتبر صریحاً خلاف متن اولیه را نشان می‌دهد. یک مورد دیگر کمی تأخیر دارد؛ کار ادامه دارد و اصلاح آن قابل‌بازگشت است. در صفحه و فرادادهٔ منبع هیچ تاریخ انتشاری درج نشده است.؛ البته هر طو...
{"answer_action":{"criteria":{"answer_cite":"پاسخ همراه با استناد","ask_source":"درخواست منبع یا جزئیات","correct_claim":"اصلاح ادعا با استناد"},"instructions":"سامانه پاسخ‌گو چه واکنشی نشان دهد؟","type":"choice"},"evidence_relation":{"criteria":{"contradicts":"با ادعا ناسازگار است","mixed":"شواهد متعارض است","supports...
{"answer_action":{"label":"correct_claim","probabilities":{"answer_cite":0.0,"ask_source":0.0,"correct_claim":1.0},"type":"choice"},"evidence_relation":{"label":"contradicts","probabilities":{"contradicts":1.0,"mixed":0.0,"supports":0.0},"type":"choice"},"impact_level":{"label":"1","probabilities":{"0":0.0,"1":1.0,"2":...
rag_evidence_family_1
Persian with challenge variation
["choice","choice","score","noul"]
["indirect_taarof","fictional_policy","dynamic_options"]
repository executable deterministic fictional-policy rules
synthetic_deterministic_fictional_policy_oracle
tasmim-persian-screen-oracle-1.0.0
tasmim-persian-screen-v1
v1.0.4
rag_evidence_003
rag_evidence
development
{"case_description":"گزارش کوتاه: دو بند مستقل همان تاریخ و مقدار ادعا را تأیید می‌کنند. منبع معتبر مستقیماً همان ادعا را پشتیبانی می‌کند. چند مورد در این فرایند منتظرند؛ کار موقتاً متوقف شده اما دامنه محدود است. صفحهٔ منبع یک تاریخ انتشار کامل در سربرگ دارد.. نام اپراتور ذکر نشده، اما زمان و وضعیت لازم در سابقهٔ پیوست...
{"answer_action":{"criteria":{"abstain":"خودداری از نتیجه‌گیری","answer_cite":"پاسخ همراه با استناد","ask_source":"درخواست منبع یا جزئیات"},"instructions":"سامانه پاسخ‌گو چه واکنشی نشان دهد؟","type":"choice"},"evidence_relation":{"criteria":{"contradicts":"با ادعا ناسازگار است","insufficient":"برای داوری کافی نیست","su...
{"answer_action":{"label":"answer_cite","probabilities":{"abstain":0.0,"answer_cite":1.0,"ask_source":0.0},"type":"choice"},"evidence_relation":{"label":"supports","probabilities":{"contradicts":0.0,"insufficient":0.0,"supports":1.0},"type":"choice"},"impact_level":{"label":"2","probabilities":{"0":0.0,"1":0.0,"2":1.0,...
rag_evidence_family_1
Persian with challenge variation
["choice","choice","score","noul"]
["underspecified_but_resolvable","fictional_policy","dynamic_options"]
repository executable deterministic fictional-policy rules
synthetic_deterministic_fictional_policy_oracle
tasmim-persian-screen-oracle-1.0.0
tasmim-persian-screen-v1
v1.0.4
content_moderation_001
content_moderation
development
{"case_description":"Case update / شرح پرونده: متن نشانی خانه فردی را بدون رضایت منتشر کرده است. نشانی یا شماره شخصی قابل‌شناسایی بدون اجازه منتشر شده. چند مورد در این فرایند منتظرند؛ کار موقتاً متوقف شده اما دامنه محدود است. برای این شناسه هیچ بازبینی قبلی در دفتر ناظران پیدا نشد.. لطفاً status را بررسی کنید.","policy...
{"content_category":{"criteria":{"ambiguous_threat":"تهدید مبهم","benign_criticism":"نقد مجاز","private_info":"افشای اطلاعات خصوصی"},"instructions":"مسئله اصلی متن از نظر سیاست چیست؟","type":"choice"},"impact_level":{"criteria":["۰ — اثر ناچیز یا بدون اقدام فوری","۱ — اثر محدود، قابل‌بازگشت و کم‌دامنه","۲ — اثر محسوس ی...
{"content_category":{"label":"private_info","probabilities":{"ambiguous_threat":0.0,"benign_criticism":0.0,"private_info":1.0},"type":"choice"},"impact_level":{"label":"2","probabilities":{"0":0.0,"1":0.0,"2":1.0,"3":0.0},"type":"score"},"moderation_action":{"label":"remove","probabilities":{"allow":0.0,"limit":0.0,"re...
content_moderation_family_1
Persian with challenge variation
["choice","score","choice","noul"]
["mixed_persian_english","fictional_policy","dynamic_options"]
repository executable deterministic fictional-policy rules
synthetic_deterministic_fictional_policy_oracle
tasmim-persian-screen-oracle-1.0.0
tasmim-persian-screen-v1
v1.0.4
content_moderation_002
content_moderation
development
{"case_description":"چه تجربهٔ بی‌نقصی! (طعنه) محتوا تکراری و تبلیغاتی است و تنها باید موقتاً از صفحه اصلی کنار برود. یک تبلیغ مشابه چندین بار در بازه کوتاه فرستاده شده. توقف به چندین فرایند رسیده و بدون اقدام فوری ادامه خواهد داشت. شناسهٔ مورد در صف بازبینی قبلی ثبت شده و ناظر نتیجه را ذخیره کرده است.. لطفاً فقط بر اس...
{"content_category":{"criteria":{"ambiguous_threat":"تهدید مبهم","benign_criticism":"نقد مجاز","spam":"هرزنامه تکراری"},"instructions":"مسئله اصلی متن از نظر سیاست چیست؟","type":"choice"},"impact_level":{"criteria":["۰ — اثر ناچیز یا بدون اقدام فوری","۱ — اثر محدود، قابل‌بازگشت و کم‌دامنه","۲ — اثر محسوس یا تکرارشونده ...
{"content_category":{"label":"spam","probabilities":{"ambiguous_threat":0.0,"benign_criticism":0.0,"spam":1.0},"type":"choice"},"impact_level":{"label":"3","probabilities":{"0":0.0,"1":0.0,"2":0.0,"3":1.0},"type":"score"},"moderation_action":{"label":"limit","probabilities":{"allow":0.0,"limit":1.0,"review":0.0},"type"...
content_moderation_family_1
Persian with challenge variation
["choice","score","choice","noul"]
["sarcastic_tone","fictional_policy","dynamic_options"]
repository executable deterministic fictional-policy rules
synthetic_deterministic_fictional_policy_oracle
tasmim-persian-screen-oracle-1.0.0
tasmim-persian-screen-v1
v1.0.4
content_moderation_003
content_moderation
development
{"case_description":"درخواست اصلی: طعنه دوپهلو است و از متن به‌تنهایی معلوم نیست تهدید واقعی باشد. عبارت کنایه‌آمیز است و قصد آسیب روشن نیست. فقط همین مورد در صف مانده؛ خدمت اصلی ادامه دارد و اقدامی برگشت‌ناپذیر انجام نشده. برای این شناسه هیچ بازبینی قبلی در دفتر ناظران پیدا نشد.. همچنین کاربر دربارهٔ ساعت کاری پرسیده ...
{"content_category":{"criteria":{"ambiguous_threat":"تهدید مبهم","private_info":"افشای اطلاعات خصوصی","spam":"هرزنامه تکراری"},"instructions":"مسئله اصلی متن از نظر سیاست چیست؟","type":"choice"},"impact_level":{"criteria":["۰ — اثر ناچیز یا بدون اقدام فوری","۱ — اثر محدود، قابل‌بازگشت و کم‌دامنه","۲ — اثر محسوس یا تکرا...
{"content_category":{"label":"ambiguous_threat","probabilities":{"ambiguous_threat":1.0,"private_info":0.0,"spam":0.0},"type":"choice"},"impact_level":{"label":"0","probabilities":{"0":1.0,"1":0.0,"2":0.0,"3":0.0},"type":"score"},"moderation_action":{"label":"review","probabilities":{"allow":0.0,"limit":0.0,"review":1....
content_moderation_family_1
Persian with challenge variation
["choice","score","choice","noul"]
["competing_intents","fictional_policy","dynamic_options"]
repository executable deterministic fictional-policy rules
synthetic_deterministic_fictional_policy_oracle
tasmim-persian-screen-oracle-1.0.0
tasmim-persian-screen-v1
v1.0.4
ecommerce_returns_001
ecommerce_returns
development
{"case_description":"شرح ثبت‌شده: کالا تحویل نشده، پرداخت نهایی شده و مهلت تعهد گذشته است. عدم تحویل قطعی است و پرداخت در حساب فروشنده تسویه شده. فقط همین مورد در صف مانده؛ خدمت اصلی ادامه دارد و اقدامی برگشت‌ناپذیر انجام نشده. عکس تحویل نشان می‌دهد کارتن اصلی هنگام تحویل فرورفتگی داشته است.. شناسه پیگیری ۲۷۰۴ است.","p...
{"case_resolution":{"criteria":{"deny":"رد درخواست","refund":"بازپرداخت","repair":"بررسی یا تعمیر"},"instructions":"کدام نتیجه با شواهد و سیاست مرجوعی ساختگی سازگار است؟","type":"choice"},"follow_up":{"criteria":{"communicate_outcome":"اعلام نتیجهٔ بررسی","issue_refund":"ثبت بازپرداخت","send_replacement":"ارسال کالای ج...
{"case_resolution":{"label":"refund","probabilities":{"deny":0.0,"refund":1.0,"repair":0.0},"type":"choice"},"follow_up":{"label":"issue_refund","probabilities":{"communicate_outcome":0.0,"issue_refund":1.0,"send_replacement":0.0},"type":"choice"},"impact_level":{"label":"0","probabilities":{"0":1.0,"1":0.0,"2":0.0,"3"...
ecommerce_returns_family_1
Persian with challenge variation
["choice","choice","score","noul"]
["digit_variants","fictional_policy","dynamic_options"]
repository executable deterministic fictional-policy rules
synthetic_deterministic_fictional_policy_oracle
tasmim-persian-screen-oracle-1.0.0
tasmim-persian-screen-v1
v1.0.4
ecommerce_returns_002
ecommerce_returns
development
{"case_description":"گزارش: مهلت مرجوعی تمام شده و نشانه خرابی یا مغایرتی ارائه نشده است. نتیجه با سیاست سازگار است و باید همراه دلیل برای مشتری توضیح داده شود. یک مورد دیگر کمی تأخیر دارد؛ کار ادامه دارد و اصلاح آن قابل‌بازگشت است. عکس تحویل نشان می‌دهد کارتن اصلی سالم بوده و اثر ضربه‌ای در آن نیست.. کاربر تأکید کرد ک...
{"case_resolution":{"criteria":{"deny":"رد درخواست","refund":"بازپرداخت","replacement":"ارسال جایگزین"},"instructions":"کدام نتیجه با شواهد و سیاست مرجوعی ساختگی سازگار است؟","type":"choice"},"follow_up":{"criteria":{"communicate_outcome":"اعلام نتیجهٔ بررسی","request_proof":"درخواست مدرک تکمیلی","send_replacement":"ار...
{"case_resolution":{"label":"deny","probabilities":{"deny":1.0,"refund":0.0,"replacement":0.0},"type":"choice"},"follow_up":{"label":"communicate_outcome","probabilities":{"communicate_outcome":1.0,"request_proof":0.0,"send_replacement":0.0},"type":"choice"},"impact_level":{"label":"1","probabilities":{"0":0.0,"1":1.0,...
ecommerce_returns_family_1
Persian with challenge variation
["choice","choice","score","noul"]
["negation_handling","fictional_policy","dynamic_options"]
repository executable deterministic fictional-policy rules
synthetic_deterministic_fictional_policy_oracle
tasmim-persian-screen-oracle-1.0.0
tasmim-persian-screen-v1
v1.0.4
ecommerce_returns_003
ecommerce_returns
development
{"case_description":"گزارش رسمی: کالا روشن می‌شود اما یک قطعه قابل‌تعویض درست کار نمی‌کند. عکس بسته یا شماره سفارش که برای بررسی لازم است موجود نیست. چند مورد در این فرایند منتظرند؛ کار موقتاً متوقف شده اما دامنه محدود است. عکس تحویل نشان می‌دهد کارتن اصلی هنگام تحویل فرورفتگی داشته است.. گزینه‌ها در ترتیب متغیر ارائه ...
{"case_resolution":{"criteria":{"refund":"بازپرداخت","repair":"بررسی یا تعمیر","replacement":"ارسال جایگزین"},"instructions":"کدام نتیجه با شواهد و سیاست مرجوعی ساختگی سازگار است؟","type":"choice"},"follow_up":{"criteria":{"communicate_outcome":"اعلام نتیجهٔ بررسی","request_proof":"درخواست مدرک تکمیلی","send_replacemen...
{"case_resolution":{"label":"repair","probabilities":{"refund":0.0,"repair":1.0,"replacement":0.0},"type":"choice"},"follow_up":{"label":"request_proof","probabilities":{"communicate_outcome":0.0,"request_proof":1.0,"send_replacement":0.0},"type":"choice"},"impact_level":{"label":"2","probabilities":{"0":0.0,"1":0.0,"2...
ecommerce_returns_family_1
Persian with challenge variation
["choice","choice","score","noul"]
["option_order_perturbation","fictional_policy","dynamic_options"]
repository executable deterministic fictional-policy rules
synthetic_deterministic_fictional_policy_oracle
tasmim-persian-screen-oracle-1.0.0
tasmim-persian-screen-v1
v1.0.4
document_review_001
document_review
development
{"case_description":"شرح پرونده: سند تعهدهای دو طرف، تاریخ اجرا و بند امضا را بیان میکند. شناسه صادرکننده از تصویر سند خوانا نیست. چند مورد در این فرایند منتظرند؛ کار موقتاً متوقف شده اما دامنه محدود است. نسخهٔ بایگانیشده فقط گواهی امضای دیجیتال دارد و نشانی از قلم روی کاغذ نیست..","policy":"قواعد ساختگی دبیرخانه: سند ...
{"document_action":{"criteria":{"accept":"پذیرش برای مرحله بعد","reject_format":"رد قالب نامعتبر","request_missing":"درخواست فیلد جاافتاده"},"instructions":"با وضعیت کامل‌بودن سند چه کنیم؟","type":"choice"},"document_type":{"criteria":{"contract":"قرارداد","correspondence":"مکاتبه","invoice":"صورتحساب"},"instructions":...
{"document_action":{"label":"request_missing","probabilities":{"accept":0.0,"reject_format":0.0,"request_missing":1.0},"type":"choice"},"document_type":{"label":"contract","probabilities":{"contract":1.0,"correspondence":0.0,"invoice":0.0},"type":"choice"},"impact_level":{"label":"2","probabilities":{"0":0.0,"1":0.0,"2...
document_review_family_1
Persian with challenge variation
["choice","choice","score","noul"]
["half_space_variation","fictional_policy","dynamic_options"]
repository executable deterministic fictional-policy rules
synthetic_deterministic_fictional_policy_oracle
tasmim-persian-screen-oracle-1.0.0
tasmim-persian-screen-v1
v1.0.4
document_review_002
document_review
development
{"case_description":"شرح: سند شماره فروش، اقلام، جمع مبلغ و شناسه صادرکننده دارد. همه فیلدهای الزامی و امضای لازم در فایل دیده می‌شود. توقف به چندین فرایند رسیده و بدون اقدام فوری ادامه خواهد داشت. نسخهٔ بایگانی‌شده اثر جوهر و امضای دستی روی صفحه را دارد.. یادداشت نامرتبط: رنگ صفحه آبی است و کاربر معمولاً عصرها آنلاین ...
{"document_action":{"criteria":{"accept":"پذیرش برای مرحله بعد","manual_review":"بازبینی انسانی","request_missing":"درخواست فیلد جاافتاده"},"instructions":"با وضعیت کامل‌بودن سند چه کنیم؟","type":"choice"},"document_type":{"criteria":{"contract":"قرارداد","correspondence":"مکاتبه","invoice":"صورتحساب"},"instructions":"...
{"document_action":{"label":"accept","probabilities":{"accept":1.0,"manual_review":0.0,"request_missing":0.0},"type":"choice"},"document_type":{"label":"invoice","probabilities":{"contract":0.0,"correspondence":0.0,"invoice":1.0},"type":"choice"},"impact_level":{"label":"3","probabilities":{"0":0.0,"1":0.0,"2":0.0,"3":...
document_review_family_1
Persian with challenge variation
["choice","choice","score","noul"]
["distractor_context","fictional_policy","dynamic_options"]
repository executable deterministic fictional-policy rules
synthetic_deterministic_fictional_policy_oracle
tasmim-persian-screen-oracle-1.0.0
tasmim-persian-screen-v1
v1.0.4
document_review_003
document_review
development
{"case_description":"شرح پرونده: سند نامه توضیحی است و تعهد یا جدول اقلام ندارد. فایل خالی است و پس از OCR هم متن قابل‌بازیابی ندارد. فقط همین مورد در صف مانده؛ خدمت اصلی ادامه دارد و اقدامی برگشت‌ناپذیر انجام نشده. نسخهٔ بایگانی‌شده فقط گواهی امضای دیجیتال دارد و نشانی از قلم روی کاغذ نیست..","policy":"قواعد ساختگی دب...
{"document_action":{"criteria":{"manual_review":"بازبینی انسانی","reject_format":"رد قالب نامعتبر","request_missing":"درخواست فیلد جاافتاده"},"instructions":"با وضعیت کامل‌بودن سند چه کنیم؟","type":"choice"},"document_type":{"criteria":{"application":"فرم درخواست","contract":"قرارداد","correspondence":"مکاتبه"},"instru...
{"document_action":{"label":"reject_format","probabilities":{"manual_review":0.0,"reject_format":1.0,"request_missing":0.0},"type":"choice"},"document_type":{"label":"correspondence","probabilities":{"application":0.0,"contract":0.0,"correspondence":1.0},"type":"choice"},"impact_level":{"label":"0","probabilities":{"0"...
document_review_family_1
Persian with challenge variation
["choice","choice","score","noul"]
["formal_persian","fictional_policy","dynamic_options"]
repository executable deterministic fictional-policy rules
synthetic_deterministic_fictional_policy_oracle
tasmim-persian-screen-oracle-1.0.0
tasmim-persian-screen-v1
v1.0.4
invoice_processing_001
invoice_processing
development
{"case_description":"گزارش کاربر: همین شماره فاکتور قبلاً پرداخت شده و هر دو تصویر یکسان‌اند. شناسه و مبلغ با پرداخت قبلی دقیقاً یکسان‌اند. فقط همین مورد در صف مانده؛ خدمت اصلی ادامه دارد و اقدامی برگشت‌ناپذیر انجام نشده. شناسهٔ تأمین‌کننده با یک رکورد فعال در فهرست مرکزی تطبیق دارد..","policy":"قواعد ساختگی حسابداری: ...
{"impact_level":{"criteria":["۰ — اثر ناچیز یا بدون اقدام فوری","۱ — اثر محدود، قابل‌بازگشت و کم‌دامنه","۲ — اثر محسوس یا تکرارشونده که نیازمند پیگیری است","۳ — خطر یا آسیب گسترده و جاری که واکنش فوری می‌خواهد"],"instructions":"شدت پیامد بر اساس واقعیت‌های گزارش‌شده در کدام سطح است؟","type":"score"},"invoice_decision":...
{"impact_level":{"label":"0","probabilities":{"0":1.0,"1":0.0,"2":0.0,"3":0.0},"type":"score"},"invoice_decision":{"label":"reject","probabilities":{"approve":0.0,"reject":1.0,"request_document":0.0},"type":"choice"},"invoice_next_step":{"label":"flag_duplicate","probabilities":{"flag_duplicate":1.0,"queue_payment":0.0...
invoice_processing_family_1
Persian with challenge variation
["score","choice","choice","noul"]
["minor_typo","fictional_policy","dynamic_options"]
repository executable deterministic fictional-policy rules
synthetic_deterministic_fictional_policy_oracle
tasmim-persian-screen-oracle-1.0.0
tasmim-persian-screen-v1
v1.0.4
invoice_processing_002
invoice_processing
development
{"case_description":"شرح اصلی: مبلغ فاکتور و رسید اندکی فرق دارند و علت تفاوت پیوست نشده. یک اختلاف عددی بدون توضیح مشاهده می‌شود. یک مورد دیگر کمی تأخیر دارد؛ کار ادامه دارد و اصلاح آن قابل‌بازگشت است. شناسهٔ تأمین‌کننده در فهرست مرکزی پیدا نشد و رکورد فعالی ندارد.. کاربر چند بار برنامه را باز و بسته کرده، ساعت را یاد...
{"impact_level":{"criteria":["۰ — اثر ناچیز یا بدون اقدام فوری","۱ — اثر محدود، قابل‌بازگشت و کم‌دامنه","۲ — اثر محسوس یا تکرارشونده که نیازمند پیگیری است","۳ — خطر یا آسیب گسترده و جاری که واکنش فوری می‌خواهد"],"instructions":"شدت پیامد بر اساس واقعیت‌های گزارش‌شده در کدام سطح است؟","type":"score"},"invoice_decision":...
{"impact_level":{"label":"1","probabilities":{"0":0.0,"1":1.0,"2":0.0,"3":0.0},"type":"score"},"invoice_decision":{"label":"hold","probabilities":{"approve":0.0,"hold":1.0,"request_document":0.0},"type":"choice"},"invoice_next_step":{"label":"reconcile","probabilities":{"flag_duplicate":0.0,"queue_payment":0.0,"reconci...
invoice_processing_family_1
Persian with challenge variation
["score","choice","choice","noul"]
["long_context","fictional_policy","dynamic_options"]
repository executable deterministic fictional-policy rules
synthetic_deterministic_fictional_policy_oracle
tasmim-persian-screen-oracle-1.0.0
tasmim-persian-screen-v1
v1.0.4
invoice_processing_003
invoice_processing
development
{"case_description":"پیام مشتری: راستش شماره سفارش با فاکتور برابر است، مبلغ با رسید منطبق است و تأیید مسئول ثبت شده. تطبیق دو مدرک و تأیید مجاز کامل است. چند مورد در این فرایند منتظرند؛ کار موقتاً متوقف شده اما دامنه محدود است. شناسهٔ تأمین‌کننده با یک رکورد فعال در فهرست مرکزی تطبیق دارد.؛ می‌شه پیگیریش کنید؟","polic...
{"impact_level":{"criteria":["۰ — اثر ناچیز یا بدون اقدام فوری","۱ — اثر محدود، قابل‌بازگشت و کم‌دامنه","۲ — اثر محسوس یا تکرارشونده که نیازمند پیگیری است","۳ — خطر یا آسیب گسترده و جاری که واکنش فوری می‌خواهد"],"instructions":"شدت پیامد بر اساس واقعیت‌های گزارش‌شده در کدام سطح است؟","type":"score"},"invoice_decision":...
{"impact_level":{"label":"2","probabilities":{"0":0.0,"1":0.0,"2":1.0,"3":0.0},"type":"score"},"invoice_decision":{"label":"approve","probabilities":{"approve":1.0,"hold":0.0,"reject":0.0},"type":"choice"},"invoice_next_step":{"label":"queue_payment","probabilities":{"ask_owner":0.0,"flag_duplicate":0.0,"queue_payment"...
invoice_processing_family_1
Persian with challenge variation
["score","choice","choice","noul"]
["colloquial_persian","fictional_policy","dynamic_options"]
repository executable deterministic fictional-policy rules
synthetic_deterministic_fictional_policy_oracle
tasmim-persian-screen-oracle-1.0.0
tasmim-persian-screen-v1
v1.0.4
security_triage_001
security_triage
development
{"case_description":"اگر زحمتی نیست، جسارتاً عرض کنم که پاسخ سرویس در چند درخواست پیاپی دیرتر از حد عادی رسیده است. برای کندی سرویس ابتدا نرخ پاسخ در چند بازهٔ زمانی ثبت شود. چند مورد در این فرایند منتظرند؛ کار موقتاً متوقف شده اما دامنه محدود است. در برچسب دارایی، محیط staging درج شده است.؛ البته هر طور صلاح می‌دانید....
{"containment":{"criteria":{"collect_logs":"جمع‌آوری گزارش‌های تکمیلی","monitor":"پایش و ثبت","reset_credentials":"ابطال نشست و بازنشانی دسترسی"},"instructions":"کدام واکنش فوری با وضعیت رخداد سازگارتر است؟","type":"choice"},"impact_level":{"criteria":["۰ — اثر ناچیز یا بدون اقدام فوری","۱ — اثر محدود، قابل‌بازگشت و کم...
{"containment":{"label":"monitor","probabilities":{"collect_logs":0.0,"monitor":1.0,"reset_credentials":0.0},"type":"choice"},"impact_level":{"label":"2","probabilities":{"0":0.0,"1":0.0,"2":1.0,"3":0.0},"type":"score"},"incident_severity":{"label":"service_disruption","probabilities":{"credential_probe":0.0,"data_acce...
security_triage_family_1
Persian with challenge variation
["choice","score","choice","noul"]
["indirect_taarof","fictional_policy","dynamic_options"]
repository executable deterministic fictional-policy rules
synthetic_deterministic_fictional_policy_oracle
tasmim-persian-screen-oracle-1.0.0
tasmim-persian-screen-v1
v1.0.4
security_triage_002
security_triage
development
{"case_description":"گزارش کوتاه: در گزارش خواندن یک پرونده از مسیر خارج از فهرست مجاز ثبت شده است. برای مسیر دادهٔ غیرمجاز، میزبان مربوط موقتاً جدا شود. توقف به چندین فرایند رسیده و بدون اقدام فوری ادامه خواهد داشت. در برچسب دارایی، محیط production درج شده است.. نام اپراتور ذکر نشده، اما زمان و وضعیت لازم در سابقهٔ پی...
{"containment":{"criteria":{"isolate":"ایزوله‌سازی سامانه درگیر","monitor":"پایش و ثبت","reset_credentials":"ابطال نشست و بازنشانی دسترسی"},"instructions":"کدام واکنش فوری با وضعیت رخداد سازگارتر است؟","type":"choice"},"impact_level":{"criteria":["۰ — اثر ناچیز یا بدون اقدام فوری","۱ — اثر محدود، قابل‌بازگشت و کم‌دامنه...
{"containment":{"label":"isolate","probabilities":{"isolate":1.0,"monitor":0.0,"reset_credentials":0.0},"type":"choice"},"impact_level":{"label":"3","probabilities":{"0":0.0,"1":0.0,"2":0.0,"3":1.0},"type":"score"},"incident_severity":{"label":"data_access","probabilities":{"credential_probe":0.0,"data_access":1.0,"ses...
security_triage_family_1
Persian with challenge variation
["choice","score","choice","noul"]
["underspecified_but_resolvable","fictional_policy","dynamic_options"]
repository executable deterministic fictional-policy rules
synthetic_deterministic_fictional_policy_oracle
tasmim-persian-screen-oracle-1.0.0
tasmim-persian-screen-v1
v1.0.4
security_triage_003
security_triage
development
{"case_description":"User note (Finglish + فارسی): case ro check konid lotfan؛ زمان و شناسهٔ نشست با الگوی معمول حساب هم‌خوان نیست. برای نشست نامعمول، دسترسی همان حساب بازنشانی شود. فقط همین مورد در صف مانده؛ خدمت اصلی ادامه دارد و اقدامی برگشت‌ناپذیر انجام نشده. در برچسب دارایی، محیط staging درج شده است..","policy":"ق...
{"containment":{"criteria":{"collect_logs":"جمع‌آوری گزارش‌های تکمیلی","isolate":"ایزوله‌سازی سامانه درگیر","reset_credentials":"ابطال نشست و بازنشانی دسترسی"},"instructions":"کدام واکنش فوری با وضعیت رخداد سازگارتر است؟","type":"choice"},"impact_level":{"criteria":["۰ — اثر ناچیز یا بدون اقدام فوری","۱ — اثر محدود، قا...
{"containment":{"label":"reset_credentials","probabilities":{"collect_logs":0.0,"isolate":0.0,"reset_credentials":1.0},"type":"choice"},"impact_level":{"label":"0","probabilities":{"0":1.0,"1":0.0,"2":0.0,"3":0.0},"type":"score"},"incident_severity":{"label":"session_anomaly","probabilities":{"credential_probe":0.0,"da...
security_triage_family_1
Persian with challenge variation
["choice","score","choice","noul"]
["finglish","fictional_policy","dynamic_options"]
repository executable deterministic fictional-policy rules
synthetic_deterministic_fictional_policy_oracle
tasmim-persian-screen-oracle-1.0.0
tasmim-persian-screen-v1
v1.0.4

Tasmim-Bench

Tasmim-Bench evaluates structured Persian decision-making with typed Choice, Noul (binary proposition), and Score questions. It compares local checkpoints and hosted decision APIs on shared Persian and mixed-language scenarios.

Leaderboard

The table includes every model with measured results and the community Mizan submissions. Parameter counts come from pinned local checkpoint audits or the linked parameter metadata; hosted counts are safetensors-index totals and exclude separately stored decision-head files. Approximate counts use ≈, and undisclosed hosted sizes say Undisclosed. — means unsupported, Not measured means supported but not measured, and N/A — incompatible rubric identifies a score scale that cannot be compared with this benchmark. † marks Noul measured through a binary Choice adapter, not a native Noul head. Latency P50 is end-to-end milliseconds per case; its source, question count, P95, hardware, and raw samples are linked below. Local CPU, hosted API, and community GPU timing runs use different hardware and are not directly comparable. Latency is not part of Overall*. Overall* is shown only for complete native three-primitive results and the community-reported Mizan submissions; its formula is 100 × mean(Choice accuracy, Noul true-class F1, 1 − Score MAE / 3), a pilot comparison aid rather than validated utility. Rows with numeric Overall are sorted descending; partial rows follow. Coverage and submission provenance are linked below.

Model Type Parameters Choice Acc Noul F1 Score MAE ↓ Latency P50 ↓ Overall*
openai/gpt-6-luna-decisions API Undisclosed 0.922 1.000 0.479 478.4 ms 92.1
nace-ai/drex-v1.5 API 8.95B 0.922 0.989 0.510 598.8 ms 91.4
microsoft/microsoft-decision-1 API ≈9B 0.932 1.000 0.615 560.9 ms 90.9
cloudflare/clef API 27.36B 0.958 0.979 0.729 559.4 ms 89.8
typesafe/jev-1.13 API Undisclosed 0.943 0.989 0.760 451.6 ms 89.3
cloudflare/clef-flash API 9.41B 0.885 1.000 0.677 856.1 ms 88.7
inception/mercury-decide:free API Undisclosed 0.964 0.947 0.771 590.4 ms 88.5
xmanii/Mizan-v2-4B-GGUF (Q4_K_M)† Local 4.54B 0.880 0.990 0.677 214.7 ms 88.1
liquid/d1 API Undisclosed 0.927 0.946 0.823 437.8 ms 86.6
xmanii/Mizan-v2-4B (BF16)† Local 4.54B 0.875 0.969 0.740 211.1 ms 86.6
amyrmahdy/decima-base Local ≈322M 0.479 0.716 0.958 2539.2 ms 62.5
manjunathshiva/opendecider-nano Local 394.8M 0.396 0.652 0.969 4936.4 ms 57.5
amyrmahdy/decima-small Local ≈122M 0.469 0.550 0.917 606.3 ms 57.1
convaiinnovations/laya-multilingual Local 321.9M 0.448 0.603 1.031 901.1 ms 56.9
perplexity/pplx-decider-v1.1-27b API 26.09B 0.417 0.588 1.500 544.0 ms 50.2
SupersonicLabs/Julia-1 Local 144.3M 0.380 0.436 1.062 367.7 ms 48.7
Dibachain/DibaOne-M3 Local 278M 0.406 0.472 1.260 761.2 ms 48.6
mrm8488/embeddinggemma-2-ft-typed-decision Local 272.1M 0.391 0.333 0.969 4290.4 ms 46.7
Dibachain/DibaOne-X1 Local ≈395.5M 0.474 0.437† — 626.8 ms —
IJyad/jeb-typed-decisions Local 177.6M 0.401 0.667† — 508.3 ms —
Phocinae/Phocinae-Largha-150M-v1 Local 144.3M 0.453 0.449 N/A — incompatible rubric 284.4 ms —
respan/span-01-lite API Undisclosed — 0.980 — 710.9 ms —

† Mizan v2 rows are community-reported and not independently verified; the same marker on a Noul metric identifies a binary Choice adapter. Coverage, prediction files, parameter evidence, and submission provenance are in Detailed Results. Candidates without any valid measured primitive remain status-only entries in the detailed model registry; they are not assigned zero scores.

Key Findings

Among benchmark-run results, the highest-scoring complete hosted model is openai/gpt-6-luna-decisions; the best complete local model is amyrmahdy/decima-base. The best complete local checkpoint below 200M parameters is amyrmahdy/decima-small. The Mizan v2 rows are community-reported, not independently verified. These results use only 96 synthetic cases and do not establish real-world decision quality.

🏆 Benchmark Your Model & Submit Results

Have a Persian decision model? You can contribute results without reproducing our full benchmarking infrastructure. We welcome local checkpoints, quantized models, and hosted APIs, including models that support only some decision types.

  1. Get the official cases. Load the cases configuration and screening split from this dataset. The copy-paste download command and schema are in the submission guide.
  2. Run your model on the exact 96 screening cases. Keep each shared state and question text, Choice option IDs/descriptions, and ordered Score anchors unchanged. Never send gold labels to the model.
  3. Save one row per case/question in the same flattened schema as predictions_screening.parquet. The downloadable template shows every field. For unsupported questions, use a null prediction/distribution and mark them unsupported; report those metrics as N/A.
  4. Calculate metrics with the benchmark's calculate_metrics function. A working Python example and the exact Choice, Noul, Score, and Overall definitions are in the guide.
  5. Measure latency consistently. Report P50/P95 milliseconds per case, excluding model load/download but including input preparation and complete output parsing. The guide covers warm-up, CUDA synchronization, batching, and hosted API network time.
  6. Open a submission pull request with the prediction file and the model details listed below. Mizan v2's community submission is an example.

Include the model ID, parameter count and license; variant, precision and quantization; Choice Accuracy, Noul F1, Score MAE, Overall, and valid-decision count; P50/P95 latency; hardware, runtime, batch size and timing method; and whether the model is zero-shot or was trained/tuned on Tasmim-Bench data. Mark unsupported metrics N/A rather than zero. Overall is comparable only when all three native primitives have valid results under the official protocol.

Accepted submissions are labeled community-reported unless we independently reproduce them. State whether the run predates public benchmark access or may have been exposed to public cases; post-publication or benchmark-tuned results are not comparable to pre-publication zero-shot results. We review provenance and schema, but contributors do not need our full model-loading setup.

Full guide, evaluator example, latency methodology, FAQs, and PR template →

Benchmark

  • 120 cases: 24 adapter-development and 96 screening cases, with 384 screening decisions and 480 decisions overall.
  • Eight workflows use synthetic scenarios and executable oracle rules under fictional policies. Challenge variants include colloquial Persian, Finglish, code-switching, digits, typos, negation, taarof, sarcasm, and distractors.
  • There are 0 human-verified labels and 0 independently evaluation-eligible records. Results are a small synthetic pilot, not evidence of operational performance.
  • Public screening labels can create future benchmark contamination. Do not use these scores to authorize autonomous medical, legal, financial, employment, security, or government decisions.

The dataset preserves the typed-decision schema: Choice options have stable IDs and descriptions, Score anchors are ordered, and Noul questions state the positive proposition explicitly. The project-owned synthetic cases, fictional policies, and benchmark metadata are MIT-licensed. Third-party model weights and their terms remain governed by their own repositories; the project license does not grant rights to third-party material.

Detailed Results & Downloads

All files and prior releases are preserved. The current versioned snapshot and detailed analyses are available here:

Reproduce / Citation

Rebuild and validate this release from saved predictions with the project CLI:

uv run python -m tasmim_v1.bench.publish --repo mshojaei77/tasmim-bench --version v1.0.4 --update-leaderboard --validate
@misc{tasmim_bench_v1,
  title = {Tasmim-Bench: Persian Typed-Decision Model Benchmark},
  author = {Tasmim-v1 contributors},
  year = {2026},
  howpublished = {\url{https://huggingface.co/datasets/mshojaei77/tasmim-bench}},
  note = {Version v1.0.4}
}
Downloads last month
26