#ARC-Challenge

这篇论文测了11个小模型，发现温度缩放有校准不了的边界，用200道题就能算风险上限，20%风险预算下只有3个敢放手用。

这篇论文用具体数字告诉你，准确率分数会骗人：同样2048 token，Qwen比DeepSeek多出近10倍的无答案失败，评估时得分开看执行状态和得分。