Yongfu Zhu

研究论文质疑 LLM 基准评估的可靠性

一篇题为“Evaluation is All You Need: 通过评估设计策略性地夸大 LLM 推理能力”的新研究论文强调了大型语言模型基准结果的显著可变性，特别是 Deepseek-R1-Distill 系列和 QwQ-32B 模型。该研究由 Yongfu Zhu 撰写，揭示了评估条件的细微变化会导致性能大幅波动，使得声称的改进难以可靠地复现。作者主张采用更严格的评估范式，以确保对 LLM 推理能力的准确评估。