模型评估：多维评估大语言模型
Benchmark 评估有哪些局限？如何避免评测集污染和刷榜误导？
原题如何评估语言理解和问答能力？
原题大语言模型的推理能力包括哪些类型？如何判断模型是真的会推理？
原题如何评估数学推理能力？
原题如何评估代码能力和科学推理能力？
原题长上下文能力应该评估哪些任务、基准和指标？
原题什么是 Needle In A Haystack 和 lost in the middle？它们分别暴露什么问题？
原题如何评估模型是否遵循指令？
原题Helpful、Honest、Harmless 和 Fairness 如何落到评估指标上？
原题RLHF、DPO、GRPO 后的模型应该如何评估？
原题
暂无题目