بررسی دقیق‌نوع‌تر از عملکرد مدل‌های زبانی بزرگ (LLM) مشخص کرده که بسیاری از بنچمارک‌های فعلی ممکن است در سنجش «توانایی واقعی» این مدل‌ها دچار خطا باشند. این خطاها اغلب به دلیل وجود عوامل جانبی در سوالات و طراحی آزمون‌ها ایجاد می‌شوند که بر نتایج اثر می‌گذارند.
تیم پژوهشگران با ارائه ابزار جدیدی به نام BenchMIRT، سعی کرده‌اند با استفاده از اصول اندازه‌گیری فنی، این اختلالات را شناسایی و کنترل کنند. این رویکرد جدید می‌تواند به توسعه‌دهندگان و کاربرانی که به تصمیم‌گیری بر اساس داده‌های دقیق نیاز دارند، کمک کند تا تفاوت واقعی بین مدل‌های مختلف را بهتر درک کنند.