Hacker News AI· VictorSh·· 5 小时前AI 评分40
Beaker 发现 AI 主流评测基准中 100 多处错误
Uncovering 100+ errors in AI’s most popular benchmarks
AI 导读
Beaker 在五个广泛使用的 AI 基准中自动标记 100 多处指令与评分错误,且每个基准至少验证出一处。 例如 Agents' Last Exam 误将 5.9 判为 5 的精确匹配,Terminal Bench 2.0 要求三个报告字段却仅定义两个。 误导性评分会让模型选择与部署决策建立在错误基础上。
来源:Hacker News AI · withbeaker.ai