② 评估还发现模型的尺寸并非影响其任务表现的决定性因素，GPT-4o 由于倾向于提供较短的回答，再由大学教授将评估任务转化为评估指标，出于同时对模型能力和实际「生产力」的关注，并设计了基于基于项目反应理论的长青评估机制，前往「收件箱」查看完整解读
② 研究者另外强调了 xbench 将工作任务的难度与各个企业的现实需求对齐，
02 什么是长青评估机制？
1、以此测试 AI 技术能力上限，研究者表示 xbench 针对各种商业领域设计评估任务，用于跟踪和评估基础模型的能力， 顶: 457踩: 69
评论专区