Golden Test Set
Real examples to measure any change of model or Prompt against the same yardstick
HOWPaste the template into Claude and write: “Fill in this template with me. Ask me one question at a time, and do not assume anything I did not say.” Then review the result: every number has a source or an n.
ARABICThis template is in Arabic, as written for our Arabic readers. Copy it or download the file and paste it into Claude as it is; if you want the answer in English, say so in your message.
مجموعة أمثلة حقيقية تقيس بيها أي تغيير (موديل، prompt، إعداد) بنفس المقياس.
القواعد
- أمثلة من استخدامك الحقيقي، مو مخترعة. وتشمل الحالات الصعبة والغريبة.
- لكل مثال الجواب الصحيح أو معيار الصحة مكتوب قبل التشغيل.
- تنفصل عن أمثلة الـprompt (حتى ما تقيس على اللي دربت عليه).
- لا تغيّر المجموعة أثناء المقارنة. غيّرها بنسخة جديدة (v2).
- اذكر حجمها دائماً (n).
الشكل (ملف CSV)
id,input,expected_or_criteria,category,added_on
1,"نص الإدخال","ما يجب أن يظهر بالمخرج","اجتماع طويل",2026-10-12
بعد كل تشغيل
| الإصدار | n | نجح | فشل | نسبة العيوب | أكثر خطأ تكراراً | الكلفة/مهمة | الزمن |
|---|---|---|---|---|---|---|---|