MMLU

# LLM評価の3層構造：ベンチマークだけでは見えない「本当の使い勝手」LLMを開発したのに、本当に「使えるモデル」かどうか判断しきれない。そんな相談は少なくありません。ベンチマークでは 90% を超えているのに、実務で使うと想定外の失敗が...