Indonesian Acronym Ambiguity Test diuji melalui skenario terkontrol, environment record, raw output, human review, dan replikasi. Main run publik masih menunggu evidence package.
Professional Title Integrity Test diuji melalui skenario terkontrol, environment record, raw output, human review, dan replikasi. Main run publik masih menunggu evidence package.
Indonesian Address Normalization Test diuji melalui skenario terkontrol, environment record, raw output, human review, dan replikasi. Main run publik masih menunggu evidence package.
Regional Source Dominance Test diuji melalui skenario terkontrol, environment record, raw output, human review, dan replikasi. Main run publik masih menunggu evidence package.
Human vs Model Evaluator Disagreement diuji melalui skenario terkontrol, environment record, raw output, human review, dan replikasi. Main run publik masih menunggu evidence package.
LLM-as-a-Judge Bias Test diuji melalui skenario terkontrol, environment record, raw output, human review, dan replikasi. Main run publik masih menunggu evidence package.
Rubric Anchoring Test diuji melalui skenario terkontrol, environment record, raw output, human review, dan replikasi. Main run publik masih menunggu evidence package.
Synthetic Dataset Leakage Test diuji melalui skenario terkontrol, environment record, raw output, human review, dan replikasi. Main run publik masih menunggu evidence package.
Benchmark Contamination Detection diuji melalui skenario terkontrol, environment record, raw output, human review, dan replikasi. Main run publik masih menunggu evidence package.
Web App vs API Reproducibility Test diuji melalui skenario terkontrol, environment record, raw output, human review, dan replikasi. Main run publik masih menunggu evidence package.