一篇新论文考察了 AI 模型基准测试中评估工件的可靠性,特别关注“Inspect Evals”。研究发现,在 124 个符合条件的单元中,有 110 个因缺少历史证据或语义基础而未能执行。对于那些成功运行的评估,确切的结果、排名和成对比较因声明解析和所用证据家族的不同而异。 AI
影响 对 AI 模型基准测试结果的可复现性和可解释性提出了质疑。
排序理由 该集群包含一篇详细介绍 AI 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 →