Ai2提出评估大模型基准的新指标
ChengleiSi · x · 2026-07-18
Ai2发布新论文探讨语言模型评测的有效性。研究指出，由于随机性，很难判断模型评测结果的提升是真实能力差异还是偶然现象。为此，作者提出了两个简单指标来衡量基准测试的可靠性：信号（benchmark区分不同模型的能力）和噪声（不同训练步骤带来的随机波动）。
「研究」频道最新
- Latent-Foresight:让世界模型学着预判自己的未来 — abursuc · 2026-10-27
- 英国 AISI 发文：现有手段不足以防生物 AI 工具被滥用 — davidmanheim · 2026-10-27
- CMU 发布 XYBench:LLM 只答字面问题,常无视用户真实需求 — valentina__py · 2026-10-27
- arXiv 前主席提示:投稿主分类选错,论文几乎必被搁置 — tdietterich · 2026-10-27
- arXiv 积压超 4000 篇论文被搁置，版主致歉并给出避坑建议 — tdietterich · 2026-10-27
- 72 张实拍图训练 MOSS 锐度滑块 LoRA,权重 1 到 -1 调焦 — aoleg77 · 2026-10-27