Natural language generation on Inspect benchmark leaderboard · SOTA2 Research

Natural language generation on Inspect

0.4622BLEU-1Astra

Evaluation Results

Method	Links
Astra2026.05		0.4622	0.3912	0.3479	0.314	0.5394	0.2685
R2GenGPT2026.05		0.4488	0.3824	0.3408	0.308	0.5305	0.2587
M3D2026.05		0.4314	0.3531	0.3092	0.2752	0.4237	0.2248
RadFM2026.05		0.4017	0.3451	0.3108	0.2821	0.4546	0.2291
MedGemma2026.05		0.3974	0.3309	0.2931	0.2644	0.4372	0.2258
Gemini-32026.05		0.3954	0.3092	0.2616	0.2262	0.4176	0.2216
HuluMed2026.05		0.375	0.2973	0.2547	0.2228	0.405	0.2229
LLaVA2026.05		0.359	0.3189	0.2924	0.2703	0.5626	0.261
Qwen3-VL2026.05		0.3549	0.2845	0.2478	0.2212	0.4168	0.2216
Lingshu2026.05		0.3408	0.299	0.2724	0.2495	0.5024	0.2343
Lingshu2026.05		0.3036	0.2373	0.202	0.177	0.3451	0.2149
MedGemma2026.05		0.2954	0.2681	0.2498	0.2335	0.5359	0.2411
HuluMed2026.05		0.28	0.2154	0.1806	0.1554	0.3467	0.2103
HuluMed2026.05		0.2623	0.1993	0.1651	0.1412	0.3456	0.2093