---
id: [[P-Reinforce|P-Reinforce]]-AUTO-EVBM-001
category: Unified
confidence_score: 1.00
tags: [auto-reinforced, ai-evaluation, benchmarks, niah, ruler, mmlu, lmsys, evaluation-metrics]
last_reinforced: 2026-05-04
---

# [[AI Evaluation & Benchmarks|AI Evaluation & Benchmarks]]

## 📌 한 줄 통찰 (The Karpathy Summary)
> "지능의 척도: 모델의 성능을 단순히 '좋다'고 말하는 대신, 수학, 코딩, 상식, 그리고 백만 토큰 속에서의 기억력 등 정량적 지표를 통해 모델의 실질적인 체급을 측정하는 표준화된 시험지."

## 📖 구조화된 지식 (Synthesized Content)
AI 모델의 능력을 객관적으로 비교하고 한계를 파악하기 위한 표준화된 평가 지표들입니다.

1.  **전통적 벤치마크**:
    *   **MMLU (Massive Multitask Language Understanding)**: 인문학, 사회과학, 수학 등 57개 주제에 대한 지식을 측정하는 표준 시험.
    *   **HumanEval / MBPP**: 모델의 파이썬 코드 생성 능력을 평가.
    *   **GSM8K**: 초등학교 수준의 다단계 수학 문장제 문제 해결 능력 측정.
2.  **롱 컨텍스트 벤치마크**:
    *   **Needle In A Haystack (NIAH)**: 거대 문맥 속 특정 정보 검색 능력을 시각적 도표로 확인.
    *   **RULER**: 단순 검색을 넘어 요약, 추론 등 복잡한 롱 컨텍스트 활용 능력을 종합 평가.
3.  **실전 및 에이전트 평가**:
    *   **LMSYS Chatbot Arena**: 실제 사용자들의 블라인드 테스트를 통한 엘로(Elo) 레이팅 시스템.
    *   **MCP-Atlas**: [[Model Context Protocol (MCP)|MCP]]를 활용한 도구 통합 및 오케스트레이션 성능 측정.
    *   **SWE-bench**: 실제 오픈소스 GitHub 이슈를 모델이 직접 해결할 수 있는지 측정.

## ⚖️ Trade-offs & Caveats
*   **데이터 오염 (Contamination)**: 평가 데이터가 모델의 학습 데이터에 포함되어, 실제 지능보다 점수가 높게 나오는 '암기형 점수' 문제가 심각합니다.
*   **Goodhart's Law**: 지표가 목표가 되는 순간, 그 지표는 더 이상 좋은 지표가 아니게 됩니다. (점수만을 높이기 위한 편법 학습 성행)

## 🔗 지식 연결 (Graph)
*   **성능 관련**: [[LLM Capabilities|LLM Capabilities]], [[Reasoning Models|Reasoning Models]]
*   **기술 관련**: [[Context Window & Long-Context LLMs|Context Window]], [[Tool Use & Function Calling|Tool Use]]

---
*Last updated: 2026-05-04*