연구진은 FlavourBench라는 새로운 자동 평가 벤치마크를 공개했는데, 이는 버전별 요리 시스템을 활용해 실행 가능한 평가 기준을 제공합니다. 27개의 최첨단 모델이 534개의 작업으로 평가되었으며, Grok 4.6이 65.1의 최고 점수를 기록했습니다. FlavourBench는 모델의 답변을 평가하고 순위를 매기는 데 사용되는 프롬프트, 점수표, 응답, 경로, 해시, 오프라인 검증기를 포함한 모든 데이터를 공개했습니다.