arXiv 上发布了两篇新的研究论文,介绍了用于评估大语言模型(LLM)的新型基准测试。第一篇 TRIAD 专注于评估处理文本、图像和音频的模型在全模态歧义性解析能力,揭示了当前系统在跨模态信息消歧方面存在困难。第二篇 Fluent but Fallible 使用学术提示对十个先进大语言模型的事实可靠性和幻觉倾向进行了基准测试,发现响应完整性和准确性之间存在权衡,其中 Perplexity 和 DeepSeek-V3 表现出较高的整体准确性。 AI
影响 这些基准测试将推动对大语言模型能力和局限性的进一步研究,特别是在多模态理解和事实准确性方面。
排序理由 arXiv 上发布了两篇学术论文,为大语言模型引入了新的基准测试。
- arXiv
- ChatGPT
- Claude 3.5 Sonnet
- DeepSeek-V3
- Falcon
- Gemini
- Gemma
- Grok
- LLaMA 3
- LLMs
- Mistral AI
- Perplexity
- Shahab Saquib Sohail
- TRIAD
AI 生成摘要 · Google Gemini · 来自 2 个来源。 我们如何撰写摘要 →