AI 基準測試並不像應該那樣工作。

一個新系統讓人們在評判模型時決定真正重要的是什麼。這可能是一些關鍵的事情，比如確保人類安全的對齊，或者一些小事，比如避免文本中的破折號。

通過這個系統，您設計測試。