实体 SorryBench™

SorryBench™

PulseAugur coverage of SorryBench™ — every cluster mentioning SorryBench™ 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

其他 1

情绪 · 30 天

1 天有情绪数据

最近 · 第 1/1 页 · 共 1 条

TOOL · CL_131802 · Jul 8 · 09:44

新的 SorryBench™ 基准测试衡量 AI 模型道歉次数

一个名为 SorryBench™ 的新基准测试被引入，用于衡量 AI 模型在生产性会话中道歉的频率。创建者指出，现有的基准测试，如 MMLU、SWE-bench 和 ARC-AGI，未能捕捉到模型行为的这一特定方面。该基准测试基于个人观察，并被描述为与当前模型卡上的一些图表一样严谨。