GPQA Diamond
Szakértők által írt, doktori szintű biológiai, fizikai és kémiai feleletválasztós kérdéseken méri a nehéz tudományos következtetést.
- Adatszivárgás
- Magas kockázat
- Hétköznapi jel
- Gyenge kapcsolat
Benchmark-tolmács · ellenőrizve 26 napja
Mit mond valójában egy AI-pontszám?
Egy magas szám önmagában nem bizonyítja, hogy a modell jobb lesz neked. Megmutatjuk, mit mér a teszt, mit hagy ki, mennyire friss, szivároghatott-e a tesztadat, és mennyi köze van a hétköznapi használathoz.