#决策可靠性

SO-Arena 基准发布：评估 System One 模型能力谱与决策可靠性

研究者提出 SO-Arena 基准，覆盖 11 个领域与五类能力，用于评估 System One 模型的能力广度与决策可靠性。除准确率外，还考察选项集变化下的决策稳定性与无正确答案时的识别能力。对 21 个模型的评测显示，整体表现强并不代表决策可靠，最佳模型在可靠性上仅排第七。