IBBench-Light：外部指令任务条件响应配对评估
原文标题：IBBench-Light: A Paired Evaluation of Task-Conditioned Responses to External Directives
重要度 2/5 · AI 综合评估报道影响力与新鲜度，4–5 分为高价值资讯。
IBBench-Light针对同一外部记录的执行与阅读两种用途进行配对测试，12个语义基产生每模型144对匹配样本。配对精确契约准确率（PECA）要求两个成员均满足输出契约，Qwen在132个执行和109个处理提示上成功但仅97对完整。研究还发现改变EOS集合会使Phi的配对成功从0/144变为62/144，强调任务边际与配对计数需结合停止策略解读。
- 问题
- 同一外部记录按执行或阅读两种用途使用时，边际准确率掩盖了配对失败。
- 方法
- 12 个语义基构成每模型 144 对匹配样本，用配对精确契约准确率 PECA 要求两个成员都满足输出契约。
- 结果
- Qwen 在 132 个执行和 109 个处理提示上成功但仅 97 对完整；Phi 改变 EOS 集合后配对成功从 0/144 变为 62/144。
- 影响
- 提醒评估指令模型不能只看边际分数，停止策略会显著改变结论，做评测的人需配对计数与停止策略一起读。
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。