#大模型评估

这篇论文揭示了大模型在数学推理中缺乏人类知识结构，对理解大模型认知局限很有价值。

医疗 AI 终于有了真实场景的语音对话基准——111 小时医患对话数据，覆盖四种疾病，做医疗对话系统的团队可以直接拿来训练和测试模型。Claude Sonnet 4 在句子选择上领先，但所有模型都过度自信，这个发现值得关注。