.Sam
2026 9篇文章
09-06 【LLM测评-08】怎么给自家 LLM 出题：从读榜到自建评测 #LLM测评 #Benchmark #自建评测 #科普 #工程实践 09-06 【LLM测评-07】榜单会腐烂：污染、刷分与退役 #LLM测评 #Benchmark #数据污染 #科普 #评测治理 09-06 【LLM测评-06】从“答题”到“干活”：Agent 测评到底在测什么 #LLM测评 #Benchmark #Agent #GAIA #τ-bench #科普 09-06 【LLM测评-05】代码：从“写个函数”到“修好一个真实 bug” #LLM测评 #Benchmark #代码 #SWE-bench #HumanEval #科普 09-06 【LLM测评-04】AI 的数学能力：从小学应用题到研究级难题 #LLM测评 #Benchmark #数学 #AIME #科普 09-06 【LLM测评-03】GPQA：AI 是真会推理，还是背得多？ #LLM测评 #Benchmark #GPQA #推理 #科普 09-06 【LLM测评-02】MMLU：当一场考试被考到“饱和” #LLM测评 #Benchmark #MMLU #科普 #饱和 09-06 【LLM测评-01】一份跑分表，到底该怎么读？ #LLM测评 #Benchmark #科普 #Harness 09-06 【LLM测评-00】AI 为什么也要“考试”？ #LLM测评 #Benchmark #科普 #评测方法