LLMベンチマーク
数学
AIME（American Invitational Mathematics Examination） アメリカ合衆国の高校生向け数学競技
MATH（Mathematics Benchmark） 数学分野における計算力・論理的推論力・証明力を評価
多言語対応
MGSM（Multilingual Grade School Math） 多言語環境での算数的推論力を評価
知識
MMLU（Massive Multitask Language Understanding）： 学術・専門分野を横断するマルチタスクな知識理解能力
GPQA（Graduate-Level Google-Proof Q&A Benchmark）： Google検索では解けない専門知識を前提とした質問応答
推論
科学常識をもとにした多段推論能力を評価