#基准评估

这篇论文教你如何判断一个评测集靠不靠谱，用LLM当裁判自动挑毛病，省人工还靠谱。

想知道表格模型换了数据还灵不灵？这篇论文测了9个主流模型，结果全都不乐观，性能差距最小也有0.003。

如果你想看语言模型在世界杯预测上的硬核评测，这个基准用104场真实比赛对比了13个系统，结果比博彩市场强得有限，但细节预测有亮点。

想测AI的记忆系统到底靠不靠谱？这个新基准MemOps把记忆拆成6种操作来测，比只看最终答案准多了，搞记忆研究的必读。