BALROG NetHack 成绩遭质疑:为何比上周结果更差
mitrma · x · 2026-09-19
在 BALROG 的 NetHack 评测讨论中,有人质疑 creusroger 公布的成绩:是否用了默认 harness?为何看起来比他上周分享的结果更差?并指出 BALROG 评估的是零样本性能——但换个角度想,谁第一次玩 NetHack(即使借助 wiki)能赢呢?
所属事件:NetHack 评测之争：该不该让模型自由改造 harness(7 条相关)→
「研究」频道最新
- Cohere等论文:合成预训练收益竟源于嵌入初始化偏差 — LauraRuis · 2026-11-04
- kalomaze 展示 DeepSeek V3.1 底座更大骨干实验，eval loss 降至约 0.82 — kalomaze · 2026-11-04
- Reddit 网友无梯度改写 Qwen 0.6B 权重：39.8M token 让模型「爱上一支乐队」 — Altruistic_Heat_9531 · 2026-11-04
- SpecPilot 智能体自动优化投机解码：速度从 4.46× 提升至 10.87× — pmttyji · 2026-11-04
- 自主 Agent 定制 MSA 策略，提升 AlphaFold 3 蛋白复合物预测 — SJTU · 2026-11-04
- 腾讯 LoCo 用局部偏好学习教会模型何时停止思考，推理大幅变短且不掉准确率 — tencent · 2026-11-04