Apple Machine Learning ResearchT1·基座大模型
62 分
NeurIPS 2026 研讨会论文系统评估了 LLM 作为评审员判断个性化写作风格的能力。研究发现评审质量与 MMLU 通用能力仅弱相关(Pearson ρ ≤ 0.2),且随写作任务与评价标准显著波动;成对比较比独立打分更稳定可靠,最强模型未必是最可靠的评审。
衡量大模型多学科知识与推理能力的通用基准测试集
NeurIPS 2026 研讨会论文系统评估了 LLM 作为评审员判断个性化写作风格的能力。研究发现评审质量与 MMLU 通用能力仅弱相关(Pearson ρ ≤ 0.2),且随写作任务与评价标准显著波动;成对比较比独立打分更稳定可靠,最强模型未必是最可靠的评审。