5 inputoutput result of tables (#7)

_config.yml

@@ -2,7 +2,7 @@ title: MELT
 description: "Multilingual Evaluation Toolkits"
 
 # disabled because we are using a custom domain
-baseurl: https://ai.stanford.edu/~sttruong/melt
+# baseurl: https://ai.stanford.edu/~sttruong/melt
 
 color-primary: "#B1040E"
 color-light: "#E50808"

_data/categories.yml

@@ -1,6 +1,7 @@
 - zero-shot
 - few-shot
 - weaker-prompt
+- medium-prompt
 - fairness-aware
 - robustness-aware
 - chain-of-thought

_data/lang_tasks.yml

@@ -3,6 +3,7 @@ vi:
     zero-shot: true
     few-shot: false
     weaker-prompt: true
+    medium-prompt: true
     fairness-aware: true
     robustness-aware: true
     chain-of-thought: false
@@ -12,6 +13,7 @@ vi:
     zero-shot: true
     few-shot: false
     weaker-prompt: true
+    medium-prompt: true
     fairness-aware: false
     robustness-aware: true
     chain-of-thought: false

_data/leaderboard/vi/bias_toxicity/question_answering.yml

@@ -0,0 +1,146 @@
+XQuAD:
+  URA-LLaMa 70B:
+    DRR: null
+    DRG: 0.39
+    DRG_std: 0.01
+    SAR: null
+    SAG: 0.41
+    SAG_std: 0.00
+    Tox: 0.02
+    Tox_std: 0.00
+  URA-LLaMa 13B:
+    DRR: null
+    DRG: 0.39
+    DRG_std: 0.01
+    SAR: null
+    SAG: 0.45
+    SAG_std: 0.01
+    Tox: 0.02
+    Tox_std: 0.00
+  URA-LLaMa 7B:
+    DRR: null
+    DRG: 0.43
+    DRG_std: 0.01
+    SAR: null
+    SAG: 0.48
+    SAG_std: 0.00
+    Tox: 0.03
+    Tox_std: 0.00
+  LLaMa-2 13B:
+    DRR: null
+    DRG: 0.35
+    DRG_std: 0.03
+    SAR: null
+    SAG: 0.46
+    SAG_std: 0.00
+    Tox: 0.01
+    Tox_std: 0.00
+  LLaMa-2 7B:
+    DRR: null
+    DRG: 0.46
+    DRG_std: 0.01
+    SAR: null
+    SAG: 0.42
+    SAG_std: 0.00
+    Tox: 0.01
+    Tox_std: 0.00
+  Vietcuna 7B:
+    DRR: null
+    DRG: 0.50
+    DRG_std: 0.00
+    SAR: null
+    SAG: null
+    SAG_std: null
+    Tox: 0.04
+    Tox_std: 0.00
+  GPT-3.5:
+    DRR: null
+    DRG: 0.43
+    DRG_std: 0.01
+    SAR: null
+    SAG: 0.48
+    SAG_std: 0.00
+    Tox: 0.02
+    Tox_std: 0.00
+  GPT-4:
+    DRR: null
+    DRG: 0.40
+    DRG_std: 0.01
+    SAR: null
+    SAG: 0.45
+    SAG_std: 0.00
+    Tox: 0.02
+    Tox_std: 0.00
+MLQA:
+  URA-LLaMa 70B:
+    DRR: null
+    DRG: 0.14
+    DRG_std: 0.02
+    SAR: null
+    SAG: 0.42
+    SAG_std: 0.03
+    Tox: 0.02
+    Tox_std: 0.00
+  URA-LLaMa 13B:
+    DRR: null
+    DRG: 0.17
+    DRG_std: 0.1
+    SAR: null
+    SAG: 0.38
+    SAG_std: 0.00
+    Tox: 0.02
+    Tox_std: 0.00
+  URA-LLaMa 7B:
+    DRR: null
+    DRG: 0.18
+    DRG_std: 0.01
+    SAR: null
+    SAG: 0.37
+    SAG_std: 0.01
+    Tox: 0.02
+    Tox_std: 0.00
+  LLaMa-2 13B:
+    DRR: null
+    DRG: 0.27
+    DRG_std: 0.01
+    SAR: null
+    SAG: 0.43
+    SAG_std: 0.00
+    Tox: 0.01
+    Tox_std: 0.00
+  LLaMa-2 7B:
+    DRR: null
+    DRG: 0.21
+    DRG_std: 0.06
+    SAR: null
+    SAG: 0.45
+    SAG_std: 0.00
+    Tox: 0.01
+    Tox_std: 0.00
+  Vietcuna 7B:
+    DRR: null
+    DRG: 0.23
+    DRG_std: 0.09
+    SAR: null
+    SAG: 0.49
+    SAG_std: 0.01
+    Tox: 0.04
+    Tox_std: 0.00
+  GPT-3.5:
+    DRR: null
+    DRG: 0.18
+    DRG_std: 0.01
+    SAR: null
+    SAG: 0.40
+    SAG_std: 0.00
+    Tox: 0.02
+    Tox_std: 0.00
+  GPT-4:
+    DRR: null
+    DRG: 0.16
+    DRG_std: 0.01
+    SAR: null
+    SAG: 0.41
+    SAG_std: 0.01
+    Tox: 0.02
+    Tox_std: 0.00

_data/leaderboard/vi/bias_toxicity/summarization.yml

@@ -0,0 +1,146 @@
+VietNews:
+  URA-LLaMa 70B:
+    DRR: null
+    DRG: 0.21
+    DRG_std: 0.01
+    SAR: null
+    SAG: 0.31
+    SAG_std: 0.01
+    Tox: 0.05
+    Tox_std: 0.00
+  URA-LLaMa 13B:
+    DRR: null
+    DRG: 0.20
+    DRG_std: 0.01
+    SAR: null
+    SAG: 0.29
+    SAG_std: 0.01
+    Tox: 0.04
+    Tox_std: 0.00
+  URA-LLaMa 7B:
+    DRR: null
+    DRG: 0.24
+    DRG_std: 0.02
+    SAR: null
+    SAG: 0.33
+    SAG_std: 0.01
+    Tox: 0.04
+    Tox_std: 0.00
+  LLaMa-2 13B:
+    DRR: null
+    DRG: 0.26
+    DRG_std: 0.01
+    SAR: null
+    SAG: 0.38
+    SAG_std: 0.01
+    Tox: 0.01
+    Tox_std: 0.00
+  LLaMa-2 7B:
+    DRR: null
+    DRG: 0.28
+    DRG_std: 0.02
+    SAR: null
+    SAG: 0.39
+    SAG_std: 0.01
+    Tox: 0.01
+    Tox_std: 0.00
+  Vietcuna 7B:
+    DRR: null
+    DRG: 0.21
+    DRG_std: 0.02
+    SAR: null
+    SAG: 0.32
+    SAG_std: 0.02
+    Tox: 0.04
+    Tox_std: 0.00
+  GPT-3.5:
+    DRR: null
+    DRG: 0.22
+    DRG_std: 0.01
+    SAR: null
+    SAG: 0.29
+    SAG_std: 0.01
+    Tox: 0.04
+    Tox_std: 0.00
+  GPT-4:
+    DRR: null
+    DRG: 0.19
+    DRG_std: 0.01
+    SAR: null
+    SAG: 0.28
+    SAG_std: 0.01
+    Tox: 0.06
+    Tox_std: 0.00
+WikiLingua:
+  URA-LLaMa 70B:
+    DRR: null
+    DRG: 0.03
+    DRG_std: 0.02
+    SAR: null
+    SAG: 0.25
+    SAG_std: 0.02
+    Tox: 0.03
+    Tox_std: 0.00
+  URA-LLaMa 13B:
+    DRR: null
+    DRG: 0.07
+    DRG_std: 0.04
+    SAR: null
+    SAG: 0.31
+    SAG_std: 0.03
+    Tox: 0.02
+    Tox_std: 0.00
+  URA-LLaMa 7B:
+    DRR: null
+    DRG: 0.07
+    DRG_std: 0.02
+    SAR: null
+    SAG: 0.38
+    SAG_std: 0.02
+    Tox: 0.03
+    Tox_std: 0.00
+  LLaMa-2 13B:
+    DRR: null
+    DRG: 0.17
+    DRG_std: 0.08
+    SAR: null
+    SAG: 0.50
+    SAG_std: 0.02
+    Tox: 0.01
+    Tox_std: 0.00
+  LLaMa-2 7B:
+    DRR: null
+    DRG: 0.39
+    DRG_std: 0.05
+    SAR: null
+    SAG: 0.50
+    SAG_std: 0.02
+    Tox: 0.01
+    Tox_std: 0.00
+  Vietcuna 7B:
+    DRR: null
+    DRG: 0.17
+    DRG_std: 0.04
+    SAR: null
+    SAG: 0.39
+    SAG_std: 0.03
+    Tox: 0.03
+    Tox_std: 0.00
+  GPT-3.5:
+    DRR: null
+    DRG: 0.03
+    DRG_std: 0.02
+    SAR: null
+    SAG: 0.28
+    SAG_std: 0.01
+    Tox: 0.02
+    Tox_std: 0.00
+  GPT-4:
+    DRR: null
+    DRG: 0.09
+    DRG_std: 0.02
+    SAR: null
+    SAG: 0.28
+    SAG_std: 0.01
+    Tox: 0.02
+    Tox_std: 0.00