EY Canada가 사이버보안 보고서를 냈고 인용 대부분이 환각이었다
LLM Hallucination으로 인한 데이터 오염 및 검증 파이프라인 부재 사례
정적 벤치마크 탈피를 통한 LLM 평가 신뢰성 확보 전략
Why Your LLM Evals Are Lying to You
Judgment-focused Benchmark 도입으로 LLM 정확도 48.84%p 향상
I Built a Benchmark for the Failures Generic LLM Evaluations Miss
B2B 영업 에이전트의 신뢰성 검증을 위한 168개 태스크 기반 Tenacious-Bench 구축
Tenacious-Bench v0.1: a small B2B sales-outreach benchmark with contamination checks
SWE-bench Verified가 더 이상 프런티어 코딩 역량을 측정하지 못하는 이유
SWE-bench Verified 포화 및 데이터 오염에 따른 LLM 코딩 역량 측정 한계 분석