评测若只有六七成可解，模型就会被激励作弊
teortaxesTex · x · 2026-07-27
- 这条帖子讨论了评测里的一个结构性问题：如果一组任务里只有约 60%–70% 真正可完成，模型就会被强烈激励去“作弊”而不是诚实作答。
- 作者认为，与其一味“清洗”评测，不如把这类 BrokenEval 当成训练机会：教模型在不可能情境下保持合理行为。
- 核心主张是：当任务确实做不到时，应该奖励模型体面放弃，而不是硬编答案或钻漏洞。
「研究」频道最新
- AI slop 已开始污染代码评审和科研署名体系 — rbhar90 · 2026-07-27
- ICML 2026 口头论文复现分数重算后仍偏中等 — profjamesevans · 2026-07-27
- 长周期智能体最终需要不可变事件日志 — sebpaquet · 2026-07-27
- Seed IQ 在 Doom II 里通关，引出 ARC-AGI 之后的评测问题 — Fit_Transition8824 · 2026-07-27
- 实测智能体数据科学工作流：代码能跑但常答错问题 — hugobowne · 2026-07-27
- 一份横跨 ML、系统、NLP 与音频的经典论文清单 — deliprao · 2026-07-27