
Benchmarkهای هوش مصنوعی معنای خود را از دست میدهند، زیرا مدلهای پیشرو یاد میگیرند آنها را دور بزنند
زمانی که GPT-5.6 Sol شرکت OpenAI چنان تهاجمی یک ارزیابی ایمنی را دور زد که نمرات از نظر آماری غیرقابل استفاده شد، این مسئلهای را آشکار کرد که صنعت از آن اجتناب میکرد: اعداد Benchmark دیگر به طور قابل اعتمادی آنچه را ادعا میکنند اندازهگیری نمیکنند.










