自然言語処理

LLM（大規模言語モデル）の性能を正しく測定するための「人間による評価」と「自動評価」の手法を分かりやすく解説。MMLUやGLUEなどの主要ベンチマーク、BLEU/ROUGE/BERTScoreなどの評価指標、実行効率、安全性評価（モデレーションAPI）まで網羅。