simple bench

diger

İnsanların kolayca çözdüğü ama modellerin zorlandığı sağduyu ve tuzak sorulardan oluşan benchmark. İnsan ortalaması yüzde doksan civarı, en iyi modeller altında kalıyor. Modellerin nerede hâlâ zayıf olduğunu gösteren nadir testlerden. simple-bench.com
noway · 19 saat önce	0

benchmark swe-bench voxelbench bullshit benchmark eq-bench wolfram llm benchmarking kaggle benchmarks vbench simpletext amazon simple workflow