Problem wiarygodności wyników benchmark'ów AI: czy testy się składają?

Artykuł eksploruje epistemiczny problem w ewaluacji AI: wyniki benchmarków rzadko trafiają bezpośrednio do wniosków, a zmiany kontekstu mogą unieważnić uogólnienia. Badacze proponują ramę "projektywności" do weryfikacji łańcuchów wnioskowania.