통합검색

전체 80점이면 모든 집단에도 잘한 걸까?

평균은 모두 80점이지만 최저 집단은 50점과 78점인 두 모델을 비교해, 전체 점수 뒤의 운영상 약한 구간을 찾습니다.

AI 시험 문제가 학습 자료와 겹치면 점수를 믿을 수 있을까?

공개 시험·재표현 시험·새 비공개 시험의 결과를 비교하며 암기와 새로운 문제 해결을 구분합니다.

답이 길면 AI 심판은 더 좋은 답으로 볼까?

핵심 근거는 2개로 같은 60단어·180단어 답을 길이 보너스 규칙과 근거 루브릭으로 채점해 선택이 뒤집히는 과정을 확인합니다.

증명 인공지능(AI)를 비교하려면 같은 문제를 여러 형식체계로 옮겨야 할까?

miniF2F는 올림피아드 수준 문제를 여러 증명 보조기 형식으로 맞춰 신경 정리증명기의 비교 기반을 만들었습니다.

MiniF2F: a cross-system benchmark for formal Olympiad-level mathematics

잘못된 그래프를 찾는 데 위치 정보가 왜 필요할까?

3,026개 사례와 21개 오도 유형의 벤치마크는 답뿐 아니라 문제 영역을 찾는 능력을 평가합니다.

Unmasking Deceptive Visuals: Benchmarking Multimodal Large Language Models on Misleading Chart Question Answering