引入了一个新的叙事填空基准测试,旨在评估大型语言模型(LLMs)在故事中重建缺失句子的能力。该基准测试包含四种叙事类型,约9.2K个实例,用于测试20个开源LLMs。出人意料的是,模型规模与性能不相关;Gemma-2-2B 获得了最高的定性分数,超越了 DeepSeek-Qwen-32B 和 LLaMA-3.3-70B 等更大的模型。明确的推理技术仅提供了边际改进,表明叙事特征和长度是当前LLMs任务难度的更重要因素。 AI
影响 这项研究强调,更小、更高效的模型可以在复杂任务上取得卓越的性能,这可能会影响未来LLM的开发和部署策略。
排序理由 该集群描述了一篇介绍用于评估LLM能力的新基准测试的学术论文。[lever_c_demoted from research: ic=1 ai=1.0]
- alphaXiv
- arXiv
- CatalyzeX
- DagsHub
- DeepSeek-Qwen-32B
- Gemma 2-2B
- Gotit.pub
- Hugging Face
- LLaMA 3.3 70B Instruct
- ScienceCast
AI 生成摘要 · Google Gemini · 来自 1 个来源。 我们如何撰写摘要 →