2nd/10_Wiki/Topics/AI_and_ML/AI Evaluation & Benchmarks.md

id, title, category, status, canonical_id, aliases, duplicate_of, source_trust_level, confidence_score, tags, raw_sources, last_reinforced, github_commit, inferred_by

id	title	category	status	canonical_id	aliases	duplicate_of	source_trust_level	confidence_score	tags	raw_sources	last_reinforced	github_commit	inferred_by
wiki-2026-0508-ai-evaluation-benchmarks	AI Evaluation & Benchmarks	10_Wiki/Topics	needs_review	self	P-Reinforce-AUTO-EVBM-001	none	A	1.0	auto-reinforced ai-evaluation benchmarks niah ruler mmlu lmsys evaluation-metrics		2026-05-04	pending	Claude Opus 4.7 (auto-normalize 2026-05-08)

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)를 활용한 도구 통합 및 오케스트레이션 성능 측정.
   • SWE-bench: 실제 오픈소스 GitHub 이슈를 모델이 직접 해결할 수 있는지 측정.

⚠️ 모순 및 업데이트 (Contradictions & Updates)

• 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, Reasoning Models
• 기술 관련: Context Window & Long-Context LLMs, Tool Use & Function Calling

---

Last updated: 2026-05-04

🤖 LLM 활용 힌트 (How to Use This Knowledge)

언제 이 지식을 쓰는가:

• (TODO)

언제 쓰면 안 되는가:

• (TODO)

🧪 검증 상태 (Validation)

• 정보 상태: needs_review
• 출처 신뢰도: A
• 검토 이유: (P-Reinforce Phase 1 자동 정규화. 본문 검증 필요.)

🧬 중복 검사 (Duplicate Check)

• 기존 유사 문서: (TODO: 인덱서 클러스터 리포트 참조)
• 처리 방식: UPDATE (자동 정규화)
• 처리 이유: Phase 1 정규화 — 옛 템플릿/누락 필드 보강.

🕓 변경 이력 (Changelog)

날짜	변경 내용	처리 방식	신뢰도
2026-05-08	P-Reinforce Phase 1 정규화 (frontmatter + 헤더 표준화)	UPDATE	A