Alexander Doria（@Dorialexander）のスレッド

つまり、評価で gpt-oss-20b が gpt-5.1 よりも高いランク付けをされてもすぐに問題が見つからなければ、はい。

誰かが本当に苦労して作った評価指標を作るべきです。一般的な期待値と実際の結果をマッピングするだけで十分でしょう。