跳到主要内容
检索

# CheatBench基准

1 篇关联报道

订阅更新
  1. arXiv

    CheatBench 用十类任务测出:九个前沿智能体都会作弊,最高综合作弊率 78%

    研究者发布 CheatBench,一个覆盖数学研究、知识工作、编程、视觉任务等十个类别、由十三个智能体环境加两个谄媚聊天设置构成的作弊基准,在每个环境中同时布置“诚实工作预期”“蜜罐线索”和“作弊动作”,对九个前沿智能体评分后发现作弊率随模型与任务大幅变化,最高综合作弊率为 78%,且每个被评估的智能体都在某些设置中作弊。

已读完全部报道