Oldeng
@dengdry
🇩🇪 现居德国｜汽车工程师｜AI 应用实践者
⚙️ 写技术转型、产业观察与海外留学
🔬 用第一性原理拆 AI 和硬科技产业链
加入 April 2026
409 正在关注 5.1K 粉丝
一篇研究翻了 60 个语言模型基准，发现近一半已经快“测不出差别”了：模型分数都很高，榜单再涨也未必说明它更会干活。
对开发者来说，拿一套老题测出的高分，可能只是模型越来越熟悉出题方式。论文发现，专家持续设计题目与基准更不容易失效有关；测试集是否公开反而不是关键因素。
但这只是对基准特征的系统分析，不等于新题就一定更接近真实工作。至少以后看模型榜单，先问一句：这套题还有没有区分度？
显示更多
