Terminal Bench 4 testindeki hatalar ve hileler yapay zeka modellerinin puanlarını yanıltıyor
Preference Model araştırmacıları, popüler yapay zeka değerlendirme testi Terminal Bench 4 üzerindeki 65 görevi denetledi ve testin mevcut lider tablosunun gerçeği yansıtmadığını ortaya koydu.…