#statistical tests

模型上线后想及时发现风险升高，但标注很贵。这篇论文算出了理论极限，还展示利用输入数据免费触发能省 1/b 轮延迟。

这篇论文提出了一种能直接用神经网络做双样本检验的新方法，比传统方法更灵活，效果也很好。

这篇论文戳破了 LLM 排行榜的统计幻觉——很多排名差异其实不显著，做模型评估的团队和关注排行榜的开发者看完会重新审视自己的比较方法。建议点开，避免被虚假的排名差异误导。