能力邊界研究：現有基準測試遺漏 82% 的模型真實性能

研究發現傳統 LLM 基準測試通常單一模型單次運行，嚴重低估了實際能力。新提出的「能力邊界」（Capability Frontier）概念利用帕累托邊界，在給定成本約束下通過最優選擇跨模型和多次生成來量化真實性能。研究團隊在 21 個 LLM 和 16 個廣泛使用的基準上測試發現，傳統評估方法掩蓋了模型的真實潛力，這對於準確理解和選擇 LLM 具有重要意義。