贝叶斯分析称 LLM 跑分噪声极大，各模型实际或打平

开发者 remilouf 用贝叶斯方法分析后质疑现行 LLM 基准测试的可靠性，认为跑分噪声极大，「现阶段所有模型可能都是打平的」。他随后补充实证：在 tau2 bench 上测得的 95% 置信区间为 +5 到 +13，显示跑分差异难以区分真实能力差距，详细分析即将发布。

2026-10-22 ~ 2026-10-22 · 2 条相关

• 研究者用贝叶斯视角质疑：LLM 跑分噪声大到模型其实打平 — remilouf · 2026-10-22
• tau2 bench 95% 置信区间 +5 到 +13，跑分噪声论有实据 — remilouf · 2026-10-22