پژوهش
ممیزی تخصصی نشان داد ایراد معیارهای ارزیابی میتواند امتیاز مدلهای پیشرو را بیش از دو برابر تغییر دهد
متخصصان شش benchmark فیزیک را دوباره بررسی کردند و نشان دادند خطای سؤال و نمرهدهی میتواند تصویر توان مدلهای پیشرو را بهشدت تغییر دهد.