跳到主要内容

若生产任务是自家制度问答外加一点 SQL,供应商幻灯片仍在秀模型 A:HumanEval 一项高出 8 分、MMLU 一项高出 4 分、GSM8K 一项高出 6 分。请判断哪些分差能进入候选名单,哪些基本是噪声?

Agent 评测与可靠性中级评测工程化

题目​

若生产任务是自家制度问答外加一点 SQL,供应商幻灯片仍在秀模型 A:HumanEval 一项高出 8 分、MMLU 一项高出 4 分、GSM8K 一项高出 6 分。请判断哪些分差能进入候选名单,哪些基本是噪声?

参考答案​