SFT刷分翻车：DeepSeek微调模型人类评分涨172分
teortaxesTex · x · 2026-10-29
一篇关于「模型微调模型」的论文显示：DeepSeek 训练的模型在人类评分上提升 172 点、基准测试仅涨 4 点；MiniMax 训练的模型人类评分涨 68 点，基准反而掉 18 点。帖子特别点名 V4.1 Flash 用 SFT 把 benchmark 刷满却在人类评估中失败，作者希望能看到 1017 和 K3.1 等更多模型的对比。核心结论：人类反馈带来的收益远大于基准分数，单纯 benchmaxxing 不可靠。
所属事件:RSI Arena：10 个 AI Agent 自主微调模型效果分化(3 条相关)→
「模型」频道最新
- Gemini 4 Carbon 基准曝光,TheZvi 改判 Argon 已非完全前沿 — TheZvi · 2026-10-29
- 预印本实测:人类审稿仅发现 27% 重大错误,15 个 AI 全部超越 — anshulkundaje · 2026-10-29
- Giotto 被扒基于 Kimi 训练，还禁用户发布自测成绩 — TheZachMueller · 2026-10-29
- Google 发布 Gemini 4 Carbon，两周内再登智能指数榜首 — The Decoder · 2026-10-29
- 截图曝 Google 官宣 Gemini 4 Carbon：下一代 frontier 模型先供网络防御者使用 — Snoo26837 · 2026-10-29
- Suhail 创办 Particle：particle-1 少用 45% token 保持性能持平 — ycombinator · 2026-10-29