מבחן הערכה
PaperBench
מדד משני · בהסתייגותהערכה על ידי מודל אחרזיקה מסחרית מוצהרת
מה הוא מודד
מחקר ופיתוח מודלים: ניסויים, אימון ושחזור מחקר · מסמכים ארוכים: עבודה על הקשרים ארוכים וריבוי מסמכים · ביצוע משימות מרובות שלבים: ביצוע משימה רב שלבית מקצה לקצה
מה הוא לא מודד
- אין לגזור ממנו יכולת בתחומים שלא נכללו במשימות שלו.
- הציון נקבע בהערכה על ידי מודל אחר ולכן משקלו מוגבל בתוך היכולת.
הערות רישום
8,316 gradable rubric items across 20 research-replication tasks; judge-based and vendor-created, therefore judge cap + disclosure apply.
תוצאות שנקלטו
אין עדיין רשומות מדד למדד הזה. הוא מופיע ברישום אך אינו משפיע על ציון.
