MMLU

🎯 Афшин и Шервин об эволюции оценки LLM: от человеческой разметки до агентов-симуляторов

📉 Кризис оценки ИИ: почему современные бенчмарки лгут?

🧬 Последний экзамен человечества: Дэн Хендрикс о безопасности сверхразума