Ainexis
大模型评测基准类论文精读，涵盖 MMLU、GPQA、HELM、BIG-bench 等评测体系的构建思路与设计缺陷，分析基准如何定义「能力」以及评测失效的边界。
逐节拆解 MMLU 基准论文：57 个学科任务、四大门类的设…
当行业习惯用单一榜单分数给大模型排名时，斯坦福 CRFM 团…
逐条拆解 GPQA 这个「研究生级、搜不到答案」的评测基准：…
