实体 PersEvalBench

PersEvalBench

PulseAugur coverage of PersEvalBench — every cluster mentioning PersEvalBench 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_300967 · Oct 15 · 04:00

新基准揭示LLM评估者在个人信息方面存在困难

一个名为PersEvalBench的新基准已被开发出来，用于评估大型语言模型（LLM）评估者在个性化助手中使用个人信息恰当性的能力。该基准包含403个场景，旨在测试个性化不足、过度个性化和状态应用错误。初步测试显示，即使是最强大的LLM评估者也难以持续识别这些个性化错误，人类和LLM的识别率之间存在显著差距，尤其是在个性化不足方面。