跳到主要内容

公开集和你手写的私有新题涨幅完全对不上:GSM8K 公开集一夜暴涨十几分,另外 50 道同等难度、数字全新的应用题几乎没有起伏。如何判断新检查点究竟是背题还是真的变强?训练流程与评测集各要动什么?

Agent 评测与可靠性中级评测

题目​

公开集和你手写的私有新题涨幅完全对不上:GSM8K 公开集一夜暴涨十几分,另外 50 道同等难度、数字全新的应用题几乎没有起伏。如何判断新检查点究竟是背题还是真的变强?训练流程与评测集各要动什么?

参考答案​