研究：基础语言模型基准评测设置选择指南
原文标题：How to Evaluate When You Don't Know How to Evaluate? Choosing Reliable Setups for Base Language Model Benchmarking
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。
论文指出 LLM 评测仍缺乏科学规范，考察任务表述、上下文示例数量等 8 个方面，用单调性、非随机性与排序一致性三项标准比较评测设置。在 26 个 2B 参数模型与 3 个 7B 以上模型上实验，给出多提示词始终有用、任务表述依赖模型规模等具体建议。
- 问题
- LLM 评测缺乏科学规范，任务表述、示例数量等设计选择显著影响测得的性能。
- 方法
- 考察 8 个评测设置方面，用单调性、非随机性、排序一致性三项元指标跨中间检查点比较设置优劣。
- 结果
- 在 26 个 2B 模型（80 任务、4 语言）及 3 个 7B 以上模型上实验，给出多提示词始终有用、任务表述依赖模型规模等建议。
- 影响
- 预训练团队可据此规范评测设置选择，避免因评测设计不当做出错误的训练决策。
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。