实体 pass@64

pass@64

PulseAugur coverage of pass@64 — every cluster mentioning pass@64 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

1

90 天内 1

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_237015 · Sep 5 · 05:08

LLM 评估指标未能检测到关键性能崩溃

一项关于大型语言模型中人类反馈强化学习（RLHF）的研究揭示了评估指标的一个关键缺陷。虽然像贪婪准确率这样的标准指标显示出改进，但一个更强大的指标 pass@64 显示性能急剧下降。这表明模型可能看起来在基于简单指标的改进，但实际上其泛化能力或执行复杂任务的能力正在下降。