实体 EvalBench

EvalBench

PulseAugur coverage of EvalBench — every cluster mentioning EvalBench across labs, papers, and developer communities, ranked by signal.

总计 · 30天

1

90 天内 1

发布 · 30天

0

90 天内 0

论文 · 30天

0

90 天内 0

层级分布 · 90 天

主题

情绪 · 30 天

1 天有情绪数据

最近 · 第 1/1 页 · 共 1 条

TOOL · CL_153371 · Jul 20 · 20:45

LLM评估工具EvalBench揭示关键统计错误

大型语言模型评估平台EvalBench的创建者发现其统计计算中存在一个关键错误。该平台错误地报告了一个模型出现负重试次数，表明其置信区间计算方式存在缺陷。该错误源于在比例和延迟等不同指标类型上使用了单一区间公式，导致结果具有误导性，并夸大了模型性能差异。