一个名为PersEvalBench的新基准已被开发出来,用于评估大型语言模型(LLM)评估者在个性化助手中使用个人信息恰当性的能力。该基准包含403个场景,旨在测试个性化不足、过度个性化和状态应用错误。初步测试显示,即使是最强大的LLM评估者也难以持续识别这些个性化错误,人类和LLM的识别率之间存在显著差距,尤其是在个性化不足方面。 AI
影响 凸显了当前LLM在个性化交互评估方法中的局限性,表明需要改进AI安全和对齐研究。
排序理由 该集群包含一篇介绍LLM能力新评估基准的研究论文。[lever_c_demoted from research: ic=1 ai=1.0]
AI 生成摘要 · Google Gemini · 来自 1 个来源。 我们如何撰写摘要 →