AI・機械学習 TruthfulQAとHaluEvalで暴くLLMの嘘！ハルシネーションと迷信トラップの測定法
LLMのもっともらしい嘘や迷信への迎合を暴くTruthfulQAとHaluEvalの測定手法。817問のトラップに対する真実性と有用性の2軸評価（MC1/MC2）や、ハルシネーションを見抜く自動評価の仕組みを整理します。
技術・プログラミング
AI・機械学習 
AI活用 RAGASの4大指標と計算方法！社内文書QAの精度とハルシネーションを数値化する実践ガイド
RAGシステムの回答精度とハルシネーションを数値化するRAGASの評価手法。Faithfulness（忠実性）、Answer Relevance、検索適合率など4大指標によるボトルネック診断と自動評価手順を整理します。
AI・機械学習 Jev徹底解剖｜BERTとの違い・System 1の仕組みと導入手順
文章生成を捨てたAI「Jev」を徹底解剖！エンコーダ型BERTとの決定的な違いや並列サンプラーの仕組み、実務ユースケース、Pythonでの導入手順と最小実行コードまで現役エンジニアがわかりやすく解説。判断処理の高速化に必見です。
AI・機械学習 SWE-benchとは？GitHubのバグIssueをAIが自律解決できるか測る最前線
実在するOSSリポジトリのGitHub IssueをAIが自律解決できるか測るSWE-benchの全貌。Docker分離環境でのパッチ適用、FAIL_TO_PASSとPASS_TO_PASSの2段階テストによる合否判定ロジックを整理します。
AI・機械学習 HumanEvalとPass@kの計算方法！AIコーディング評価の不偏推定量を徹底解説
AIのコード生成精度を実行テストで評価するHumanEvalの仕組み。OpenAIの164問のテストセットを対象に、サンプリングによるPass@k（Pass@1/10/100）の不偏推定量計算式や測定の留意点を整理します。
AI・機械学習 IFEval入門！文字数制限やJSON出力を自動テストする指示追従ベンチマーク
LLMが指定ルールを厳守できるかを自動検証するIFEvalの仕組み。JSON形式指定や文字数制限など約25種の制約に対し、余計な挨拶文の混入も落とすStrict判定と実質的達成を見るLoose判定の測定基準を紐解きます。
AI・機械学習 Chatbot ArenaのEloレーティング計算方法！ブラインド対戦でLLMの実力を数値化する数学的仕組み
モデル名を伏せたブラインド対戦でLLMの実力を評価するChatbot Arenaの仕組み。チェス由来のEloレーティング算出法、期待勝率と試合結果によるレート更新、Bradley-Terryモデルによる順位決定の数理を紐解きます。
AI・機械学習 MT-BenchとLLM-as-a-Judgeの仕組み！GPT-4による自動採点と3大バイアスの克服法
MT-BenchとLLM-as-a-Judgeの仕組みを解説！GPT-4等による自動採点のルーブリック設計や、2ターン対話による文脈追従力のテスト法、位置・冗長性・自己選好の3大バイアスを順序スワップで克服する実務手法を網羅。
AI・機械学習 GPQAとBBHの凄さ！最先端LLMの推論限界を暴く博士レベルベンチマーク
最先端LLMの推論限界を検証するGPQAとBBHの出題構造を紐解くガイド。博士号保持者が設計したGoogle検索耐性を持つ448問の極限テストや、言語モデルが躓く23の難関タスクからAIの実力を見極める視点を示します。
AI・機械学習 GSM8kとMATHで測るLLMの思考力！小学校算数から数学難問までの解法ステップ検証
LLMの思考力を測る「GSM8k」と「MATH」を徹底比較。算数文章題から難関数学まで、CoT（思考の連鎖）の役割や、計算ミスを防ぐ「LLM立式＋Python実行」の実務アーキテクチャを分かりやすく解説します。