研究人员正在调查对编码基准测试问题进行微小改动如何显著影响AI模型性能。在DeepSWE基准测试上进行的一项测试显示,细微的改动,例如将文件名更改为小写,会导致先前表现相似的模型在结果上出现分歧。这表明当前的基准测试可能不够稳健,无法一致地评估不同模型的编码能力。 AI
影响 凸显了AI编码基准测试中潜在的脆弱性,表明需要更稳健的评估方法。
排序理由 对AI基准测试稳健性的研究。[lever_c_demoted from research: ic=1 ai=1.0]
在 Bluesky Jetstream — AI desk 阅读 →
AI 生成摘要 · Google Gemini · 来自 1 个来源。 我们如何撰写摘要 →