研究提出模型衍生测量值的校正与比较新规则
原文标题：Measured or Real? When Model-Derived Measurements Can Be Corrected or Compared
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。
arXiv 论文指出由模型计算出的难度分、基准领先幅度等数值会随随机种子与提示变化。作者证明教科书式信度校正的均方误差为无穷大，并提出仅在两项信度通过显著性检验时才校正、再除以上置信界的规则。研究还显示提示设置可反转模型排名，ARC 上 Qwen2-1.5B 与 Llama-3.2-3B 的差距在 3.8 分与 16.6 分间翻转。
- 问题
- 模型算出的难度分、基准领先幅度等数值随随机种子和提示变化，何时能校正或比较缺乏规则。
- 方法
- 证明教科书式信度校正均方误差无穷大，改为两项信度均通过显著性检验才校正，并除以上置信界。
- 结果
- 500 个模拟单元上误差减半以上；ARC 上 Qwen2-1.5B 与 Llama-3.2-3B 差距随提示从落后 3.8 分翻转为领先 16.6 分。
- 影响
- 基准排名可能被提示设置直接反转，工程师比较模型时应固定提示并报告不确定性，而非只看单一分数。
深读 · 结论先行AI 生成展开看要点与影响 ↓
模型衍生测量值随种子与提示变化，教科书信度校正均方误差无穷大；ARC 上提示设置可反转模型排名。
- •在两个 CIFAR-100 难度分数上，教科书校正使 100 个类别中 70 个相关系数超过 1。
- •作者证明该校正的均方误差为无穷大，即使相关与信度使用不同种子。
- •新规则仅在两项信度通过显著性检验时校正，再除以上置信界，输出始终有界。
- •ARC 上 Qwen2-1.5B 无示例提示落后 Llama-3.2-3B 3.8 分，两示例时反超 16.6 分。
- •跨四个基准，平均两种提示设置可在 16 次此类反转中 15 次给出同一赢家。
为什么重要：基准领先幅度与难度分这类数字的可比性被直接质疑，排行榜与论文对比需报告提示设置敏感性。
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。