AI benchmarks (MMLU, SWE-bench)
Në shqip: Pikëzimet e AI-së
ShpjegimiSQ
Modelet AI krahasohen me teste standarde: MMLU (njohuri të përgjithshme), SWE-bench (rregullimi i bug-eve reale në GitHub), GPQA (shkencë e avancuar). Rezultatet e mira s'garantojnë që modeli është i mirë për detyrën tënde.
EnglishEN
AI models are compared on standard tests: MMLU (general knowledge), SWE-bench (fixing real GitHub bugs), GPQA (advanced science). Good scores don't guarantee a model suits your task.
Si ta mendosh
Si provimet e maturës për modelet AI.
Lexoje në anglisht
Like school-leaving exams for AI models.