Evaluations
Judge scores, rubrics, and conversation quality across all runs.
Average score
9.00 / 10
2 evaluations across 2 runs
Pass rate
100%
Share of cases scoring 7 or higher
Fail rate
0%
Share of cases scoring below 4
Latest run
9.00 / 10+0.00
Previous run: 9.00 / 10
Score over time
Average judge score per run, ordered from oldest to newest. Hover a point to inspect that run.
Score distribution
How the latest evaluation per case is distributed across the 1–10 scale.
0
0
0
0
0
0
0
0
2
0
12345678910
Lowest-scoring scenarios
Scenarios where Amorza underperforms — prioritise these first.
- 19.0/10
Pětiletý vztah, společný byt, kocour. Žádné velké drama, žádná nevěra — jen postupné vyhasnutí. Konverzace jsou logistické, sex prakticky není, večery každý u svého. Strach z rozchodu (samota, finance, "co když to byla chyba") je stejně silný jako pocit, že takhle už to dál nejde.
2 evals · 2 runs