Medical Dialogue Generation on Medical Dialogue held-out (test) benchmark leaderboard · SOTA2 Research

Medical Dialogue Generation on Medical Dialogue held-out (test)

0.163ROUGE-LSFT

Evaluation Results

Method	Links
SFT2026.03		0.163	0.829	9.6	19.95	0.532	0.542	0.535	0.548	0.532	0.515
Overfit SFT2026.03		0.162	0.823	9.3	198.61	0.527	0.518	0.528	0.531	0.523	0.505
PrivMedChat2026.03		0.156	0.836	10.3	24.46	0.52	0.513	0.515	0.514	0.516	0.545
DP-SFT2026.03		0.154	0.833	9.4	24.34	0.52	0.513	0.515	0.514	0.517	0.546
PrivMedChat2026.03		0.154	0.838	9.6	24.81	0.521	0.512	0.519	0.517	0.517	0.544
DP-SFT2026.03		0.152	0.831	9.2	24.82	0.521	0.513	0.52	0.517	0.517	0.544
PrivMedChat2026.03		0.152	0.837	9.7	25.04	0.519	0.51	0.514	0.514	0.515	0.539
DP-SFT2026.03		0.149	0.831	9.3	25.27	0.522	0.519	0.521	0.519	0.517	0.555
DP-SFT2026.03		0.149	0.83	9.2	24.95	0.519	0.511	0.514	0.514	0.515	0.54
PPO2026.03		0.148	0.825	10.2	20.13	0.532	0.543	0.534	0.547	0.533	0.516
PrivMedChat2026.03		0.146	0.839	8.6	25.27	0.522	0.52	0.521	0.519	0.517	0.555
Base2026.03		0.133	0.83	11.2	37.34	0.518	0.5	0.513	0.505	0.513	0.502