研究人员开发了一个名为PAYWORTHY的新基准,用于评估大型语言模型(LLMs)能否预测AI代理在自由职业工作中的成功率。该基准包含1,494个真实的自由职业职位发布,LLMs的任务是预测代理成功的可能性。当提供代理的具体限制时,大多数模型表现出强大的预测能力,AUC得分在0.66到0.86之间。然而,当被描述为拥有标准工具的通用代理时,这些模型表现与随机猜测无异。 AI
影响 这项研究强调了特定代理能力对于成功完成任务的重要性,并表明大型语言模型可以被训练来评估这些能力。
排序理由 该集群描述了一篇介绍LLM评估基准的新学术论文。[lever_c_demoted from research: ic=1 ai=1.0]
在 Hugging Face Daily Papers 阅读 →
AI 生成摘要 · Google Gemini · 来自 1 个来源。 我们如何撰写摘要 →