Новый научный тест просит модели улучшать метод, а не повторять ответ
STEMBench оценивает двенадцать вычислительных исследовательских задач по принятым в науке показателям и размещает каждый результат между универсальной базой и воспроизведённым экспертным методом. Первые результаты показывают сильные стороны по отдельным задачам. Экспертная проверка системы оценивания ещё впереди.