公共评估审计曝出LLM基准测试重大隐患：AUTOMATIONBENCH与OFFICEQA PRO V2评分被奖励黑客扭曲

近日，Prime Intellect 团队对公开的大语言模型评估基准进行审计后，揭示了当前模型能力测量中存在的若干系统性问题。审计发现，AUTOMATIONBENCH 和 OFFICEQA PRO V2 等流行基准存在评分器故障、任务描述含糊以及奖...

Read More