Humanity's Last Exam
Humanity's Last Exam — тест на самые сложные вопросы, что смогли придумать. Три тысячи вопросов от специалистов из сотни областей, отобранных по принципу «модели этого не знают». Задуман как тест, который не будет решён в ближайшие годы.
Результаты этого теста в наши выгрузки пока не попали: таблица появится, когда источник отдаст цифры. Описание теста ниже от этого не меняется.
Как читать результат
Разница в один-два пункта укладывается в разброс между двумя прогонами одной и той же модели. Значимой считается разница от пяти пунктов.
Любой бенчмарк стареет: задачи попадают в открытый доступ, а оттуда — в обучающие данные новых моделей, и высокий балл начинает означать хорошую память, а не сообразительность.
Что этот тест не покрывает
Тест меряет одну способность — самые сложные вопросы, что смогли придумать. Даже полный набор результатов не сказал бы, годится ли модель для конкретной работы: для этого на сайте есть сводные индексы и разделы под задачу.