两篇新研究论文强调了在代码相关任务上评估大型语言模型(LLMs)时存在的关键问题。第一篇论文《代码基准测试应优先考虑严谨性、可靠性和可复现性》调查了672个代码基准测试,发现对基准测试质量的认识与实际操作之间存在显著差距,并提出了改进严谨性的指导方针。第二篇论文《您的基准测试还有用吗?用于代码语言模型的动态基准测试》提出了一个动态基准测试框架,通过转换输入来解决数据污染问题,结果显示当前模型在这些动态基准测试上的表现更差,排名也发生巨大变化。 AI
影响 强调了当前AI代码评估方法中的关键缺陷,表明需要更强大和动态的基准测试来准确评估模型能力并防止数据污染。
排序理由 两篇在arXiv上发表的学术论文,提出了代码基准测试的新方法和指导方针。
- alphaXiv
- arXiv
- Batu Guan
- CatalyzeX
- CORE Recommender
- DagsHub
- Gotit.pub
- HOW2BENCH
- Hugging Face
- Influence Flower
- Jialun Cao
- ScienceCast
AI 生成摘要 · Google Gemini · 来自 2 个来源。 我们如何撰写摘要 →