RULER

Определение

Бенчмарк для оценки long-context способностей модели, включающий задачи multi-needle, variable tracking и common word extraction.

Где встречается

• 627. Как вы тестируете long-context capability модели (бенчмарки RULER, Needle in a Haystack)
• 633. Как вы оцениваете reasoning capability (не просто recall) на длинном контексте
• 639. Как вы делаете model selection для long context (какая модель лучше держит 100k+)
• 879. Как делать evaluation для long-context RAG (100k токенов)
• 800+ вопросов

Навигация

• Индекс терминов
• Индекс разборов
• Оглавление