METHODOLOGIE

GDPval

Benchmark que mide los modelos de IA en tareas profesionales de nivel experto — finanzas, derecho, retail, software — evaluadas a ciegas por especialistas experimentados. Las puntuaciones reportadas alcanzan el 40-49 % del nivel experto, pero exigen un encuadre humano considerable, por lo que la métrica en sí se considera subespecificada.

definición

Benchmark expert tasks — los modelos alcanzan el 40-49% del nivel experto humano, pero requieren *extensive human framing* — la métrica en sí está subespecificada

método

Expertos con 14 años de experiencia, evaluación a ciegas

alcance

Finanzas, derecho, retail, desarrollo de software

Fiches (3)