의미 있는 다국어 평가(multilingual evaluation)는 대상 언어와 교육적 맥락에서 모델을 테스트해야 합니다. 2억 3천만 명 이상의 사람들이 사용하는 우르두어(Urdu)는 현지 교육 자료를 기반으로 구축된 광범위한 MMLU 스타일의 벤치마크가 부족한 실정입니다. 우리는 26개 과목과 5개 영역에 걸쳐 26,431개의 우르두어 객관식 문제(MCQs)로 구성된 벤치마크인 UrduMMLU를 소개합니다. 이 데이터는 현지 우르두어 MCQ 뱅크와 공공 시험 PDF에서 수집되었습니다. 번역 기반의 리소스와 달리, UrduMMLU는 표준 학술 과목뿐만 아니라 우르두어 및 지역 특화 콘텐츠를 모두 다룹니다. 우리는 시험에서 유래된 부분을 엄격한 합의 필터링(consensus filtering)을 거친 이중 인간 주석(dual human annotation)을 통해 라벨링했습니다. 우리는 영어 및 우르두어 프롬프트(prompts) 하에서 30개의 대규모 언어 모델(LLMs)을 평가하여 60개의 제로샷(zero-shot) 평가를 수행하였으며, 두 프롬프트 언어 모두에서 다양한 퓨샷(few-shot) 설정 하에 4개의 오픈 소스 LLM을 추가로 평가했습니다. Gemini-3.5-Flash가 90.20%와 90.34%의 정확도를 기록하며 가장 우수한 성능을 보였으며, 다른 어떤 모델도 85%를 넘지 못했습니다. 가장 강력한 오픈 소스 모델은 7.79포인트와 8.92포인트 뒤처졌으며, 많은 모델이 STEM 과목에 비해 우르두어 중심의 인문학(Humanities) 과목에서 25~40포인트의 성능 저하를 보였습니다. 퓨샷 프롬프팅(Few-shot prompting)은 미미한 이득만을 가져왔습니다. UrduMMLU는 현재의 LLM에서 우르두어 지식이, 특히 지역에 기반을 둔 콘텐츠에 대해 여전히 불균형함을 보여줍니다.