An eval harness found what qualitative review couldn't: AI models are most confident when wrong

การประเมินผลใหม่พบว่าโมเดล AI มีความมั่นใจสูงสุดเมื่อทำผิดพลาด แสดงให้เห็นว่าการประเมินเชิงคุณภาพอาจมองข้ามความมั่นใจที่ผิดพลาดได้