AIベンチマークは、思った通りには機能しません。

新しいシステムは、人々がモデルを評価する際に本当に重要なことを決めることを可能にします。それは、人間の安全性のための整合性を確保するような重要なことかもしれませんし、テキスト内のエムダッシュを避けるような小さなことかもしれません。

このシステムでは、テストを設計します。