★ 3
Tampered ML 基准：评测 LLM 判断 ML 研究缺陷能力
论文提出 Tampered ML 基准，含 1858 组条目对，每组由已发表论文重构的实验提案与引入针对性方法缺陷的微改反事实组成，要求模型判断哪个更严谨。人类验证估计 86% 条目有效。前沿模型高于随机但远不可靠，Opus 5 准确率 77.9%，且对呈现顺序高度敏感，偏好看似更具体透明的缺陷设…
arXiv NLP7 天前
#模型评审
共 2 篇相关资讯，按重要度与时间排序，每 3 小时更新。
★ 3
论文提出 Jev 式类型化决策：单次前向传播替代前沿 LLM 评审
arXiv 新论文复现 Jev 的 System 1 类型化决策接口，用冻结骨干加 rank-16 LoRA 适配器与指针头，在一次前向传播中回答三个类型化问题。内部评审系统处理约 14.8 万条智能体编程会话记录，成本约为前沿 LLM 评审的 1%，且数据不出组织。第二部分在 1B/2B/35B…
arXiv NLP11 天前
这个主题的相关资产
相关公司OpenAI1