/

← All benchmarks

BIG-Bench Hard

reasoning · mixed↗ Quelle

40Evidence

not yet measured

What it measures

23 Teilaufgaben, bei denen Modelle frueher schlechter waren als Menschen.

What it does not measure

Aktuelle Grenzfaehigkeiten.

Von aktuellen Modellen weitgehend ausgereizt.

How the score is composed

Currency50

Discrimination50

Headroom50

Contamination safety9

Gaming resistance55

Methodological rigor50

Reproducibility60

Details

Benchmaxxing risk: medium
Difficulty: low
Public test set: yes
Human-verified: no
LLM-judged: no
Skala: 0–100 % correct (höher besser)

Best measured models

No results ingested yet.