Seq@K：评估模型在序列反馈下的迭代改进能力
原文标题：Seq@K: Evaluating Language Models Under Sequential Feedback
重要度 3/5 · AI 综合评估报道影响力与新鲜度，4–5 分为高价值资讯。
论文提出 Seq@K 评测协议，衡量模型在 K 次顺序尝试中、每次失败后获得反馈能否解决问题，弥补 Pass@1/Pass@K 无法反映反馈利用的缺陷。在 7 个基准与 16 个前沿模型上评测发现，Seq@K 下的模型排名常与 Pass@K 不同，帕累托前沿出现更高效配置，反馈设计对迭代改进影响显著。
- 问题
- Pass@1/Pass@K 无法衡量模型能否利用每次失败后的反馈迭代改进。
- 方法
- 提出 Seq@K 协议：在 K 次顺序尝试中每次失败后给反馈，隔离并形式化「从反馈中改进」这一能力。
- 结果
- 在 7 个基准、16 个前沿模型上评测，模型排名常与 Pass@K 不同，帕累托前沿出现更高效配置。
- 影响
- 按 Pass@K 选模型可能选错；做重试、反馈循环类智能体产品应改用 Seq@K 视角评估。
深读 · 结论先行AI 生成展开看要点与影响 ↓
Seq@K 测模型 K 次带反馈的迭代解题能力，16 个前沿模型排名常与 Pass@K 不同。
- •Seq@K 要求每次失败后给出反馈，衡量模型能否在 K 次顺序尝试内解决问题
- •在 7 个基准、16 个前沿模型上评测，模型排名常与 Pass@K 不一致
- •Seq@K 下的帕累托前沿出现更高效的模型配置
- •反馈设计对迭代改进影响显著，并可分析模型多快回应反馈、多固执于原答案
为什么重要：现有榜单用 Pass@1/Pass@K 排序，无法反映智能体最核心的「从反馈中改进」能力；选型团队若只看 Pass@K 可能选错模型。
以上深读由 AI 依据标题/摘要/正文节选生成，仅供参考；事实以原文为准。
AI 处理过程展开/收起
相关推荐
OpenAI 宣布数学、计算机科学、物理学三项新发现
AI 摘要OpenAI 宣布在调和分析、复杂性理论和量子场论三个方向取得新发现，并采用与学术界合作的新方法。公司邀请外部专家组织团队理解研究结果，参与者无需签署保密协议、可自由讨论并发表结论，且为自愿无报酬。OpenAI 表示不会为内部模型产生的发现寻求学术署名。
数学家称需数年消化 OpenAI 最新数学成果
AI 摘要OpenAI 本周突然发布近 400 项 AI 生成的数学成果，分布在 700 多份手稿中，覆盖组合数学、几何、数论等多个领域。多位数学家表示「震惊」「难以置信」，认为仅理解这些成果就需数年，且验证程度参差不齐。
OpenAI 公布数学难题突破成果
AI 摘要OpenAI 发布由未公开前沿模型生成的 722 篇数学手稿，覆盖 372 个成果族，声称解决了数百个长期未解问题，并公开 Lean 形式化证明与算力估算。此举延续了 AI 冲击数学界的势头，也引发研究伦理与学术规范的争议。独立顾问组织 AGMAI 呼吁实验室通过正规学术渠道发布成果，而非将其当作营销工具。
OpenAI 再抛数学突破成果引争议
AI 摘要OpenAI 公布 722 篇手稿，称未发布的前沿模型解决了数百个数学开放问题，平均每个结果消耗约三小时 ChatGPT Pro 级算力。成果虽令人震撼，但数学界对发布方式、研究伦理与学术规范提出质疑。AGMAI 建议实验室及时通过正规渠道披露模型、提示词与算力成本，避免把成果当作营销手段。