对Gemini 4的ML研发基准测试进行的最新分析显示,在测试的组件中约有四分之一存在bug。Simon Mendelsohn在LessWrong上的一篇帖子中强调了这一发现。这些bug的具体性质及其对基准测试有效性的影响并未详细说明,但错误的出现引发了对其评估可靠性的质疑。 AI
影响 引发了对AI模型基准测试可靠性以及新模型发布质量保证流程的质疑。
排序理由 对特定模型基准测试结果的分析。[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 →