Humanity's Last Exam
Benchmark
Kemampuan
2,500 expert questions with a deliberately final name.
Anda sedang melihat entri benchmark: sebuah uji yang digunakan industri untuk mengukur chip atau model — dan apa yang sebenarnya ditunjukkannya.
CAIS and Scale AI crowdsourced frontier-level questions across a hundred fields from domain experts. Launch (Jan 2025) frontier scores were 3–13%; by late 2025 leading systems with tools passed 40–50% — the benchmark named for the hope that there will not need to be another.
Bagaimana ini terhubung ke bagian lain dari stack
Tautan catatan ini sekilas — klik grup untuk langsung menuju ke sana.
Benchmark
Sumber
Rekaman ditinjau per 2026-01-15 — lihat Metodologi.