跳到正文
热点事件持续更新

Beaker在五个AI基准中发现100多处错误

1 篇报道1 个报道来源5 小时前更新

先了解这件事

AI 综述

Beaker 工具在五个广泛使用的 AI 基准中,自动标记出 100 多处任务指令与评分错误,且每个基准至少验证出一处。该统计涵盖了对固定基准版本的指令和评分错误的部分审查。 具体案例包括 Agents' Last Exam 误将 5.9 判为 5 的精确匹配,以及 Terminal Bench 2.0 要求三个报告字段却仅定义两个。误导性评分可能导致模型选择与部署决策建立在错误基础之上。

AI 根据报道生成 · 5 小时前更新

报道时间线

沿着报道,了解事件的不同侧面。

11月21日
  1. Hacker News AI
    Beaker 发现 AI 主流评测基准中 100 多处错误

    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。

本事件热度走势

可比范围当前
9
可比范围峰值
1011月21日 01:00
近 24 小时变化
–

趋势仅比较持续完整观测到的相同主体,范围可能小于当前热度统计。移动指针或点击图表查看每小时热度;键盘可用左右方向键切换。