更多程序还是更多重复：LLM Harness的覆盖与特化
原文标题：More Programs or More Rolls? Separating Coverage from Specialization in LLM Harnesses
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。
论文提出受控评估，区分答案覆盖、可重复任务优势与执行前选择收益，以厘清LLM harness自动生成中的任务特化。在386个MATH-500任务上比较八个生成harness与九个字节相同的基线副本，发现相同程序带来2.16个百分点的重复平均oracle余量，但生成程序的可重复优势主要揭示持续弱点。冻结选择器收益为0，表明覆盖与可重复性本身不足以证明有用的特化。
- 问题
- LLM harness 自动生成中，答案覆盖可能来自重复执行而非任务特化。
- 方法
- 受控评估分离覆盖、可重复优势与执行前选择收益，用字节相同基线副本作对照。
- 结果
- 386 个 MATH-500 任务上，相同程序带来 2.16 个百分点重复平均 oracle 余量；冻结选择器收益 0.00 个百分点；两组在 27 次执行时均达 98.70% oracle 覆盖。
- 影响
- 提示覆盖与可重复性不足以证明特化有效，评估 harness 多样性需看跨执行持续优势。
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。