متخصصان شش benchmark فیزیک را دوباره بررسی کردند و نشان دادند خطای سؤال و نمره‌دهی می‌تواند تصویر توان مدل‌های پیشرو را به‌شدت تغییر دهد.
TAM اجرای دستورالعمل‌های طولانی را می‌سنجد؛ GPT-5 در ICD فقط ۱٪ و در محاسبات مجازات ۱۵٫۵٪ پاسخ کاملاً درست داشته است.
قابلیت LLM-as-Judge در UiPath قواعد عامل را با یک مدل جداگانه بررسی می‌کند و برای هر بررسی مصرف مستقل و تنظیمات قابل ممیزی ایجاد می‌کند.
پژوهشی پیش‌ثبت‌شده نشان می‌دهد ناپایداری سرویس‌های اشتراکی می‌تواند اعتبار معیارهای سخت مبتنی بر ارزیاب‌های زبانی را کاهش دهد.
