BIG-bench Hard

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。