68 页论文再锤大模型竞技场：Llama4 发布前私下测试 27 个版本，只取最佳成绩
大模型的公信力再次受到质疑。
最近一篇名为《排行榜幻觉》（The Leaderboard Illusion）的论文引发了学术界的关注。
该论文指出，大模型领域备受推崇的 Chatbot Arena 排行榜存在系统性缺陷。例如：
-
少数大型科技公司可以私下测试大量模型版本，例如Llama4 在发布前就测试了27个版本，最终只公布了表现最佳的版本。
© 版权声明
文章版权归作者所有，未经允许请勿转载。
相关文章
暂无评论...
GoodNav - 发现优质资源网站，探索无限可能！我们精选全球设计、编程、AI、站长、游戏、工具、搜索、百科、生活、教育、娱乐等优质资源网站，助你提升效率，开启精彩网络世界！