추론 능력

HLE, ARC-AGI-2, GPQA Diamond 기반 추론·사고 능력 평가.

…

벤치마크 소개

HLE

総合知能テスト — 人間レベルの推論能力を測定

ARC-AGI-2

抽象的推論ベンチマーク — 新規パターンの汎化能力を測定

GPQA Diamond

Graduate-Level Google-Proof Q&A — 大学院レベルの科学的推論能力を測定