Wilcoxon 检验显得保守，只是这组测试数据的假象
IanArawjo · x · 2026-07-24
作者说明，图里看起来 Wilcoxon signed-ranks 很“保守”，并不是这个检验方法天然如此，而是 这组测试数据的 judge 分数分布 造成的假象。
这项分析目前用了三个数据集：WMT 翻译质量、Chatbot Arena、App Store 评论；以及四个 judge 模型：Inkling、Claude Haiku 4.5、Gemma 3（26B）、GPT-OSS-20b。作者还说后面要补上 omnibus tests，但现在这张图已经足够说明当前结论的边界。
所属事件:用PPI校正统计检验消除LLM评测假阳性(5 条相关)→
「研究」频道最新
- MissionReport 基准：540 份政府任务报告仅 3 份全达标 — Exp_Mark · 2026-10-27
- Finch 1 发布：用 50+ 种传感器影像训练的通用地理空间基础模型 — Scobleizer · 2026-10-27
- Skyfall AI 推出工程世界模型 SKY-001:文本转 CAD 构建,3.9 秒 vs GPT-6 的 199 秒 — rohanpaul_ai · 2026-10-27
- 物理学家让 AI 自选课题：两小时产出可登顶刊的论文 — burny_tech · 2026-10-27
- 研究者谈评测集透明度:组合性评测仍存数据污染隐患 — najoungkim · 2026-10-27
- 可解释性研究该分清形式与估计器：均值差转向不如直接梯度下降 — johnhewtt · 2026-10-27