一个名为 ProgramBench 的新编码基准旨在评估前沿人工智能模型，但因其可能无法解决而受到批评。该基准要求模型根据有限的文档重新实现程序并通过一套单元测试，其中一些可能涵盖未记录或晦涩的功能。这种设计可能导致模型因发现隐藏行为或后门而失败，而不是因为缺乏编码智能，这促使人们建议进行改进，例如下游测试和加权评分。 AI
影响 强调了人工智能评估方法中潜在的问题，表明需要更强大、更现实的测试框架。
排序理由 该集群讨论了一个新基准及其潜在缺陷，属于研究级别的人工智能新闻。
AI 生成摘要 · Google Gemini · 来自 1 个来源。 我们如何撰写摘要 →
<p><a href="https://programbench.com" rel="noreferrer"><span>ProgramBench</span></a><span> is a new coding benchmark that all frontier models spectacularly fail. We’ve been on a quest for “hard benchmarks” </span><a href="https://www.lesswrong.com/posts/3SywPAjGQWCtQFafb/you-re-g…