BenchMIRT يحلل ما تقيسه اختبارات LLM فعلياً على مستوى كل سؤال
قُدِّمت BenchMIRT كمنهج لتدقيق اختبارات نماذج اللغة الكبيرة عبر تحليل أداء النماذج في الأسئلة الفردية، لا الاكتفاء بالدرجة الإجمالية. دُرّبت على نتائج 100 نموذج عبر 16 Benchmark وأكثر من 34 ألف سؤال، واستخلصت بُعدين بارزين هما السلامة والاستدلال العام.