一篇发表在arXiv上的新论文详细介绍了对检索链长期记忆评估方法的审计。研究发现,由于读者差异和需要重复判断,评分存在不一致性,即使重新评估相同的答案,分数也会波动。研究还强调了阴性对照的问题以及缺乏未触及的留出数据,并得出结论,当前方法未能明确确立新的排行榜领先者或可转移的记忆优势。 AI
影响 强调了可靠评估大型语言模型(LLM)长期记忆能力所面临的挑战,表明当前的基准测试可能不够稳健。
排序理由 该条目是一篇发表在arXiv上的学术论文,详细介绍了研究结果。[lever_c_demoted from research: ic=1 ai=1.0]
在 arXiv cs.IR (Information Retrieval) 阅读 →
AI 生成摘要 · Google Gemini · 来自 1 个来源。 我们如何撰写摘要 →