ubuntu llm ベンチマーク 評価 harness

LLM のスコアを比較した記事や論文で「Hellaswag 75.3%」「MMLU 68.1%」といった数字を見かけることがあります。これらは lm-evaluation-harness（lm-eval） と呼ばれる評価フレームワークで計測…