HelloFresh против Blue Apron

Как читать

Доля — как часто модели выбирали каждый бренд, с 95-процентным интервалом. Бренд впереди, только если весь его интервал выше 50 % — для всех моделей вместе и для каждой модели по отдельности; иначе — слишком близко.

На каждой странице — последний выпуск. Даты есть в загружаемом JSON.

Кто учтён

• По предварительно зарегистрированному правилу включения учтены результаты 9 из 10 судей.
• В расчёт вошли данные 48 из 48 запланированных сценариев.

Неучтённые судьи

jdg-live-qwen3-8-flash-or-v1

Слишком мало корректных ответов (ниже заранее заданного минимума)

Результаты по потребностям

Результаты по потребностям не публикуются: 6 сценариев на потребность — меньше заранее заданного минимума в 30.

Методология

Каждый судья — ИИ-модель, которую вызывают через API; в разделе «Об этом результате» указано, какая это модель и как её вызывали. В каждом сценарии покупки судья выбирает между двумя брендами. Единица анализа — сценарий.

Версия

ACM-1.0

Точность

Измерена

Консенсус, потребности и языки

95-процентные доверительные интервалы (комбинация интервалов отдельных судей методом MOVER, расширенная для малых выборок в битвах и новых чартах). В консенсусе каждое семейство моделей имеет равный вес. Основная мера — результаты по каждому судье в разделе «Каждая модель».

По каждому судье

95-процентные доверительные интервалы (объединение интервалов кластерного бутстрепа по сценариям и Уилсона, расширенное для малых выборок в битвах и новых чартах). Мнение одной модели — это один судья, а не консенсус.

Панель

Быстрая панель: быстрые или компактные актуальные модели каждого разработчика, а не полная панель флагманов.