أوضح OpenAI أن التقييمات يجب أن "تجعل الأهداف الغامضة محددة وصريحة"، وأن تقييمات الحدود يجب أن تقترن بتقييمات سياقية تتوافق مع سير العمل الحقيقي بدلا من ملاعب الطلبات: ما يصفه @shyamalanadkat، رئيس قسم التقييمات التطبيقية @OpenAI، هو نفس الحلقة التي نريدها لعملاء البرمجة مع cline-bench: مجموعة ذهبية مشتركة من مهام الترميز الصعبة في العالم الحقيقي حيث تواجه النماذج صعوبات ويضطر البشر للتدخل، ويتم تغليفه كبيئات قابلة للتكرار حتى تتمكن المختبرات والفرق من تحديد شكل "الرائع"، وقياس الأداء في الظروف الحقيقية. وتحسين ذلك من خلال التعلم من حالات الفشل الملموسة: إذا كنت تريد السياق الكامل حول كيفية تفكير OpenAI في التقييمات، فالمقدمة هنا: