论文提出 CRED 分类法与基准，评测研究错误检测器
soumitrashukla9 · x · 2026-07-22
这条转发概述了一篇研究：作者提出了三件事来推进“验证器”评测。
- 先建立一个 CRED taxonomy 和版本化代码本，统一定义“研究错误与缺陷”的类别。
- 再做一个带确定性评分的基准，量化验证器识别真实错误的能力。
- 最后按时间维度评估不同验证器，包括模型和评测框架本身。
配图补充了若干错误类型示例，例如：
- PTI：论文正文与表格数值/结论不一致；
- PCI：论文内容与代码行为不一致；
- EXE：代码无法端到端复现，或表格无法从当前代码重建；
- DAT：输入数据是合成、伪造或经过结果值变换的。
所属事件:Project APE 发文探讨 LLM 自动验证研究错误的能力(5 条相关)→
「研究」频道最新
- 3D ResNet 论文八年突破 3000 引用，Kinetics 数据集成里程碑 — HirokatuKataoka · 2026-09-11
- 把数据调度变成优化的一部分：样本选择与排序影响 LLM 训练 — Puzzleheaded_Box2842 · 2026-09-11
- Jeff Heaton《神经网络数学导论》开放免费完整下载 — blaizedsouza · 2026-09-11
- 数学家 Daniel Litt 上线问题库,15 题仅 1 题被解,用来追踪 AI 解题进度 — littmath · 2026-09-11
- AI 智能体协作优化 secp256k1 量子电路,挑战打破 ECDSA — StefanoGogioso · 2026-09-11
- Alex Townsend 汇编 200 个数值线性代数开放问题，供人类与 AI 攻关 — IgorCarron · 2026-09-11