研究人员推出了System1-Arena,这是一个新的基准,旨在评估AI模型在做出离散决策方面的能力,区分“系统1”(快速、概率性)和“系统2”(基于推理)的方法。该基准包含92,000个问题,涵盖105个任务和138个闭环环境,测试模型在从文本分类到机器人和驾驶等复杂代理任务的各种能力。初步评估显示,大型系统1模型在准确性和概率校准方面可以媲美甚至超越快速的闭源LLM,而延迟却只有一小部分,尽管生成式推理模型在显著更高的成本下实现了最高的准确性。 AI
影响 该基准通过提供一种标准化的方法来比较快速的概率模型和较慢的基于推理的模型,有可能加速更高效的AI决策系统的开发。
排序理由 该集群包含一篇介绍AI模型评估新基准的研究论文。[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 →