行业「解决」评测刷榜的办法竟是干脆不做评测了
JoshPurtell · x · 2026-11-02
Josh Purtell 感慨行业评测生态的变化：早年有很多专门设计的优秀评测基准，其余 n-1 家实验室会在其上训练、benchmaxx 刷榜，并因此受到应有批评。而现在他认为这个问题某种意义上被「解决」了——方式是不再做评测了。
这与他的前一观点呼应：好的评测必然可被 Goodhart，行业似乎以此为由放弃了独立评测的设计。
所属事件:前评测开发者系统阐述训练数据与评测数据不能混用(17 条相关)→
「研究」频道最新
- HalachaBench 引发争论：用塔木德律法考模型是知识还是推理？ — teortaxesTex · 2026-11-02
- Sebastian Raschka 免费放出 11 小时推理模型从零构建视频课 — AxSaucedo · 2026-11-02
- 微软与伯克利开源 TokenEconomizer，让编码 Agent 省 18-31% Token 成本 — victor_explore · 2026-11-02
- TLA-Verus:用 LLM 智能体自动证明 TLA+ 规约的时序性质 — tianyin_xu · 2026-11-02
- 有人指出 J-Lens 本质只是一阶泰勒展开,质疑官方博客为何不提 — burny_tech · 2026-11-02
- Mollick:ARC-AGI 等大基准已饱和,SemiAnalysis 专家级评测路子对了 — emollick · 2026-11-02