Son zamanlarda, yapay zeka değerlendirme alanının son derece olgun ve hızlı bir yineleme aşamasına girdiği tespit edilmiştir. Geleneksel benchmarklar (örneğin MMLU, HumanEval) genellikle doygun olur ve yeni nesil çerçeveler ve metodolojiler gerçek dünya yeteneklerine (ajanik, bilgisayar kullanımı, çoklu modal çıkarım), istatistiksel titizlik, belirsizlik miktarı belirleme, güvenlik/güvenilirlik ve kontaminasyon/uzun kuyruk mücadelelerine odaklanır. Daha önce büyük modelleri test ediyorduk, şimdi ise yapay zeka ajanlarını test ediyoruz. Bu platformlar, geliştiricilere ve işletmelere geliştirme yinelemesinden üretim dağıtımına kadar yapay zekanın güvenilirliğini, doğruluğunu, maliyetini, güvenliğini ve performansını test etmesine yardımcı olur. Bırakın grok, en yaygın yapay zeka değerlendirme platformlarının listesini düzenlesin.