UK AISI、EvalEvalを活用し再現可能なLLMベンチマーク結果を共有
UK AISIがEvalEvalのインフラを用いて6つの最先端モデルの評価結果を共有し、再現可能で検証可能な評価科学を推進。
英国AI安全保障研究所(aisi)は、evalevalと提携し、6つのフロンティアモデル(claude opus 4、claude opus 4.5、claude opus 4.6、gpt-5、gpt-5.2、gpt-5.4)の評価結果を共有します。aisiはevalevalの評価カードプラットフォームを活用し、5つのベンチマークに関する検証済みの結果、コンテキスト、設定情報を含む、透明性が高く再現可能な評価結果を提供しています。この協力はこれまでの研究に基づくものであり、評価科学の再現性と検証可能性の向上を目指しています。評価結果とインフラを共有することで、aisiとevalevalは評価レポートにおけるギャップを診断し、それを埋めるための共有インフラの構築に取り組んでいます。