研究人员推出了 UnpredictaBench,这是一个旨在评估大型语言模型(LLM)捕捉真实底层概率分布能力的新基准。该基准解决了 LLM 倾向于生成单一合理答案的问题,这对于需要校准样本的模拟来说是有问题的。UnpredictaBench 包含跨越各种分布的 448 个问题,并使用 KS@N 指标来量化模型性能,揭示了不同模型之间分布能力的巨大差异。 AI
影响 突显了 LLM 在模拟和复杂系统建模能力方面的一个关键差距,表明需要进一步研究以实现真正的分布采样。
排序理由 该集群包含一篇介绍用于评估 LLM 的新基准的研究论文。
在 Hugging Face Daily Papers 阅读 →
AI 生成摘要 · Google Gemini · 来自 3 个来源。 我们如何撰写摘要 →