検索

コード生成能力を測る代表的ベンチマーク。テスト通過率で評価する。

人間が実際に出力を見て品質を判断する、最も信頼性の高い評価。

モデルの性能を共通の基準で測り、比較するための標準テスト。

AIの判断や動作を人間が監督し、必要時に介入・停止できる体制。

要約の品質を、参照要約との重なりで自動評価する指標。

別のLLMに出力の良し悪しを採点させる、自動評価の手法。