Benchmark compara senso de humor de 16 LLMs com 1,6 mil avaliações
Avaliar modelos em dimensões subjetivas como humor e tom é um problema aberto para quem constrói atendimento conversacional e produtos de consumo, onde a naturalidade em português importa mais que benchmarks de raciocínio. A metodologia com mais de 100 mil julgamentos serve de molde para times que precisam criar seus próprios evals.





