Eksperimentālie dati: Mazu valodas modeļu intervenču ietekme uzņēmumu procesu automatizācijas uzdevumos

Eksperimentālie dati bakalaura darbam par mazu valodas modeļu (Sub-2B SLM) trīs beztrenēšanas intervenču - vairāku piemēru norādes (few-shot prompting), vadītā dekodēšana (XGrammar) un pašsakritība (self-consistency) - ietekmi uz uzņēmumu procesu automatizācijas uzdevumiem. Eksperimentā tika veikti 690 atsevišķi testi astoņos lokālos Sub-2B modeļos (Qwen3-1.7B, Hammer2.1-1.5b, xLAM-1b-fc-r, SmolLM2-1.7B, SmolLM2-135M, Llama-3.2-1B, gemma-3-1b-it, stablelm-2-zephyr) un divos API atskaites modeļos (Claude Sonnet 4.5, GPT-4o-mini) trijos uzdevumu tipos: klasifikācija (Banking77 ar 77 etiķetēm), rīku izsaukšana (BFCL v3) un strukturēta izvilkšana (JSONSchemaBench). Datu kopa satur pilnu eksperimenta rezultātu kopumu trijos slāņos: vides validācija (slānis 0), kalibrācijas mērījumi pret publicētajiem nozares atskaites rezultātiem (slānis 1) un galvenais 2³ faktoriālā plāna eksperiments (slānis 2). Katrs no 690 testiem satur atsevišķus mērījumus par precizitāti, izpildāmību un izpildes laiku. Saturs: eksperimenta_matrica_results.xlsx - pilns 690 testu rezultātu kopums config.yaml - eksperimenta konfigurācijas fails README.txt - datu kopas apraksts Eksperimenta orķestrēšanas parametri (dekodēšana, A/B/C intervences) detalizēti aprakstīti bakalaura darba pielikumā.