一项新研究考察了多模态自动事实核查(MAFC)动态评估基准中的污染风险。研究发现,即使是设计用于处理知识截止日期后声明的基准,仍然存在污染问题,其中 17-29% 的声明可能使用截止日期前的知识进行验证。这种污染会将 MAFC 性能估计值最多提高 11.34 个 Macro-F1 分数,并改变系统排名。该研究提出了通过严格控制污染来获得更值得信赖的 MAFC 评估指南。 AI
影响 强调了需要更稳健的评估方法来准确评估人工智能的事实核查能力。
排序理由 该集群包含一篇详细介绍人工智能评估方法研究结果的学术论文。[lever_c_demoted from research: ic=1 ai=1.0]
在 Hugging Face Daily Papers 阅读 →
AI 生成摘要 · Google Gemini · 来自 1 个来源。 我们如何撰写摘要 →