Mi mejor suposición: Rúbricas + Juez LLM: atomice cada punto en la prueba de verdad fundamental y verifique con la salida del modelo Mi conjetura sobre cómo hicieron esto escalable: como antes no lo era, los humanos tenían que elaborarlos meticulosamente, ¿se entrenaron o hicieron algo para hacer muy buenas rúbricas generadas para cada problema específico o su respuesta?

.@polynoamial @alexwei_ parpadear dos veces si tengo razón y 3 veces si me equivoco, antes de que las persianas sean guiadas por las ciegas xD