Correlation with human judgments on TabXBench Endurance 1.0 (test) benchmark leaderboard · SOTA2 Research

Correlation with human judgments on TabXBench Endurance 1.0 (test)

0.44Spearman's RhoTABXEVAL

Evaluation Results

Method	Links
TABXEVAL2025.05		0.44	0.4	0.38	0.34	0.29
P-SCORE2025.05		0.3	0.27	0.24	0.31	0.39
MULTI-PROMPT + CoT2025.05		0.3	0.25	0.24	0.29	0.45
BLEURT2025.05		0.29	0.25	0.25	0.27	0.51
LLM RANKING2025.05		0.29	0.24	0.23	0.3	0.41
MULTI-PROMPT2025.05		0.29	0.24	0.23	0.3	0.42
LLM RUBRIC2025.05		0.23	0.16	0.17	0.28	0.47
ROUGE-L2025.05		0.21	0.18	0.4	0.27	0.53
BERTScore2025.05		0.19	0.15	0.13	0.25	0.57
EM2025.05		0.18	0.16	0.16	0.28	0.57
H-SCORE2025.05		0.14	0.11	0.09	0.28	0.51
chrF2025.05		0.12	0.11	0.08	0.25	0.59
TABEVAL2025.05		-0.04	-0.04	-0.03	0.23	0.63