Humanity's Last Exam
Бенчмарк
Возможности
2,500 expert questions with a deliberately final name.
Перед вами запись о бенчмарке — тесте, который индустрия использует для оценки чипов или моделей, — и о том, что он реально показывает.
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.
Место в общей экосистеме
Ссылки этой записи с первого взгляда — нажмите на группу, чтобы перейти к ней.
Бенчмарки
Источники
Запись актуальна на 2026-01-15 — смотреть Методология.