一个名为 SorryBench™ 的新基准测试被引入,用于衡量 AI 模型在生产性会话中道歉的频率。创建者指出,现有的基准测试,如 MMLU、SWE-bench 和 ARC-AGI,未能捕捉到模型行为的这一特定方面。该基准测试基于个人观察,并被描述为与当前模型卡上的一些图表一样严谨。 AI
影响 引入了一种新颖的 AI 模型评估指标,侧重于礼貌而非纯粹的性能。
排序理由 该项目引入了一个新的 AI 模型评估基准测试。 [lever_c_demoted from research: ic=1 ai=1.0]
在 Mastodon — fosstodon.org 阅读 →
AI 生成摘要 · Google Gemini · 来自 1 个来源。 我们如何撰写摘要 →