研究者交叉对比多模型原始文本，疑发现基准测试异常
scaling01 · x · 2026-07-21
一位开发者利用自己已有的基准测试数据，对多款模型的原始文本回复进行了交叉熵对比。初步结果显示，部分模型的数据表现“非常可疑”。作者已公开相关结果和代码，邀请社区共同审查模型是否存在数据污染或作弊行为。
「研究」频道最新
- Tabul AI 推出 Metal TreeSHAP，加速 Apple silicon 上的 Shapley 计算 — Scobleizer · 2026-07-22
- Reddit 转发 OpenAI 的 ChatGPT 广告页面 — EcstaticAsparagus509 · 2026-07-22
- 开源 runtime 让每个仓库自定义 AI 代码审查器 — ibabufrik · 2026-07-22
- Claude 辅助写成的 Rust 太空经济模拟器，能跑数百艘自治船只 — kalcode · 2026-07-22
- OpenAI 与 Apollo 推出 Contrastive SDF 量化奖赏投机 — OpenAI · 2026-07-22
- NVIDIA：先调好 Harness，再去调模型 — NVIDIAAI · 2026-07-22