🤖Memperkenalkan OptimalThinkingBench 🤖 📝: - Berpikir LLM menggunakan banyak token & terlalu banyak berpikir; LLM yang tidak berpikir kurang berpikir & berkinerja buruk. - Kami memperkenalkan tolok ukur yang menilai model dalam upaya menemukan campuran terbaik. - OptimalThinkingBench melaporkan skor F1 yang mencampur OverThinkingBench (kueri sederhana dalam 72 domain) & UnderThinkingBench (11 tugas penalaran yang menantang). - Kami mengevaluasi 33 model SOTA yang berbeda & menemukan perbaikan yang diperlukan! 🧵1/5