标签
#benchmarks
3 篇文章
models
“前沿模型”到底意味着什么——以及为什么基准测试会误导你
“前沿模型”是一个会移动的标签，不是一项规格。本文谈它真正指向什么、排行榜分数为何很少告诉你真正需要知道的东西，以及如何依然做出好的选择。
#frontier-models#benchmarks#evaluation
06-01 19:11·7 分钟
research
超越基准的评估：人类与模型裁判
基准测量的是易于打分的东西。对于开放式的工作，你需要判断——来自人，或来自代替人的模型。两者都可能误导你。
#evaluation#llm-as-judge#benchmarks
05-06 16:53·7 分钟
research
模型是如何被评估的：基准测试，以及它们为何会撒谎
基准分数看起来像测量结果，但它们其实是论证。本文讲清楚模型评估实际如何运作，以及一个高分为何仍可能误导你。
#benchmarks#evaluation#leaderboards
05-06 16:14·7 分钟