Datasets:
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.
- Get the official cases. Load the
casesconfiguration andscreeningsplit from this dataset. The copy-paste download command and schema are in the submission guide. - 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.
- 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 asN/A. - Calculate metrics with the benchmark's
calculate_metricsfunction. A working Python example and the exact Choice, Noul, Score, and Overall definitions are in the guide. - 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.
- 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:
- Screening cases · All screening predictions · Hosted API predictions
- Full-native leaderboard CSV · All candidate metrics · Per-primitive metrics · Hosted API metrics
- Complete model registry and status · Persian robustness · Option robustness · Efficiency
- Evaluation protocol · Reproduction guide · Benchmark manifest · Checksums · Verified parameter metadata and evidence
- Latency addendum v1.0.6: per-model P50/P95 summary · raw per-case samples · API latency cost ledger · methodology · manifest · checksums
- Community Mizan v2 predictions: Parquet · CSV · reported metrics and coverage · submission provenance
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