ImpossibleRubrics

新基准测试AI评分标准应对不可能的任务

研究人员开发了一个名为ImpossibleRubrics的新基准，用于测试语言模型生成的评分标准的鲁棒性。这些评分标准越来越多地用于强化学习和评估，但它们在面对对抗性输入时的可靠性尚不清楚。该基准侧重于“不可能的任务”，在这种任务中，模型被迫得出未经支持的结论，并且它包含可验证的Oracle证书来指导诚实的响应。初步测试表明，即使是定制的评分标准也经常被利用，这突显了评分标准质量的差距，而不是任务的不可能性。