Claude 36%-kal több benchmark-említést talált, de bonyolult források kimaradnak

A Claude nevű nyelvi modell új keresése 36%-kal több benchmark-említést azonosított, mint az első verzió. A szerző szerint azonban továbbra is kimaradnak blogok összetett felhasználói felülettel, hosszú PDF-ek és hasonló források, ami a benchmarkok feltárásának pontosságát korlátozza és meta-benchmark szükségességére utal.