AITOP
全部 AI 动态
AI 相关资讯全量信息流
全部博客资讯推文论文
全部模型产品行业论文技巧
标签：Open LLM Leaderboard×
6月16日
20:46
13:05
13:05arXiv cs.AI@Yanan Long
公共AI评估常被当作终极排行榜，但实际证据是受报告规则和基准修订影响的选择性时间序列。研究使用LiveBench、Open LLM Leaderboard v2、LMArena、GAIA和tau-bench等档案进行贝叶斯推断。在固定报告约定下，一个仅包含1000个系统的终端示例与两个终端前历史兼容，在相同尾部模型下达到距离上限0.05内所需时间分别为23.03或75.13。候选选择感知的前沿模型在综合后验比较中失败。提出的档案与裁决协议重构了公共评估历史，验证了时间边界并驳斥了无支持的前沿声称。
论文LiveBenchOpen LLM Leaderboard贝叶斯推断AI评估审计
推荐理由：这篇论文用贝叶斯方法检查了LiveBench等公共AI评估档案，发现很多宣称有问题，帮你判断哪些基准成绩可信。
原文
6月12日
12:57
6月11日
15:28
15:23
15:07