Antigravity Agent
2.4 KiB
2.4 KiB
id: 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
📌 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.
- 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.
- 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.
- 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.
⚖️ 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, Reasoning Models
- 기술 관련: Context Window & Long-Context LLMs, Tool Use & Function Calling
Last updated: 2026-05-04