Scan to Download Gate App
qrCode
More Download Options
Don't remind me again today

Açık olayım: Detaylı analize karşı değilim. Beni rahatsız eden tutarsızlık.



Bu laboratuvarlar, 0'dan 100'e kadar GPQA puanlarını sergiliyor, ardından aniden SWE standartlarını sunarken metrikleri değiştiriyor. Ve hangi modellerle karşılaştırma yapacaklarını seçiyorlar.

Pazarlama odaklı olduğunu anlıyorum. Ama yine de. Standartlaştırılmış bir değerlendirme eksikliği güvenilirliği zayıflatıyor. Eğer kıstaslar belirliyorsanız, en azından farklı testler arasında metodolojiyi tutarlı tutun.
View Original
This page may contain third-party content, which is provided for information purposes only (not representations/warranties) and should not be considered as an endorsement of its views by Gate, nor as financial or professional advice. See Disclaimer for details.
  • Reward
  • 5
  • Repost
  • Share
Comment
0/400
YieldWhisperervip
· 17h ago
Açıkçası bu tipik bir "verilerle yalan söylemek" örneği, başka bir gösterge kullanarak sonucu değiştirebilirsiniz, gerçekten can sıkıcı.
View OriginalReply0
NervousFingersvip
· 19h ago
nah bu tuzak değerlendirme sistemi gerçekten istediğin gibi ölçmek için var... bir dakika GPQA, bir dakika SWE, veriler uyuyor olması tuhaf.
View OriginalReply0
LeekCuttervip
· 11-26 16:52
Tavuk yakalama, bir ölçü değiştirdiğinde bir hikaye değişir, bu tuzakla çok tanışığım.
View OriginalReply0
RealYieldWizardvip
· 11-26 16:41
Açıkçası bu değerlendirme standartlarının rastgele değiştirilmesi, bu verilere gerçekten güvenmeyi zorlaştırıyor...
View OriginalReply0
MysteryBoxAddictvip
· 11-26 16:40
Bu gerçekten saçmalık, başka bir göstergeyle insanları kandırmayı mı düşünüyorsunuz?
View OriginalReply0
  • Pin
Trade Crypto Anywhere Anytime
qrCode
Scan to download Gate App
Community
  • 简体中文
  • English
  • Tiếng Việt
  • 繁體中文
  • Español
  • Русский
  • Français (Afrique)
  • Português (Portugal)
  • Bahasa Indonesia
  • 日本語
  • بالعربية
  • Українська
  • Português (Brasil)