Προφίλ προσβασιμότητας: τι κρύβουν οι βαθμολογίες των benchmarks για τα LLM

Τα benchmarks γλωσσικών μοντέλων αποδίδουν σε κάθε ερώτηση ένα μόνο αποτέλεσμα από μία σταθερή διατύπωση, αν και το ίδιο αίτημα μπορεί να εκφραστεί με πολλούς ισοδύναμους τρόπους. Μια πρόσφατη εργασία