一个名为ExpertQA的新基准测试，于2024年开发，通过让484位专家在其专业领域提出问题来评估大型语言模型（LLM）。这些专家随后仔细评分LLM生成的答案，评估每个声明的支撑和可靠性。该基准测试显示，即使是写得很好的答案也常常包含未经证实的声明，而在医学领域，专家认为大约一半的引用来源不可靠。 AI
影响 凸显了大型语言模型（LLM）在事实准确性和引用可靠性方面存在的重大问题，影响了在关键领域的信任和部署。
排序理由 该集群描述了一个用于评估大型语言模型（LLM）的新学术基准测试。
在 Mastodon — fosstodon.org 阅读 →
AI 生成摘要 · Google Gemini · 来自 1 个来源。 我们如何撰写摘要 →