BenchMIRT：LLM基准实际测量什么

BenchMIRT研究揭示了当前LLM基准测试的局限性。该研究分析了多个基准测试，包括MMLU、HellaSwag和TruthfulQA。研究发现这些基准可能无法全面评估模型的真实能力。研究团队提出了改进基准测试的建议。