
NUS发布System One模型评测基准:能力有多宽,决策有多稳?(在新窗口打开)
NUS xML Lab提出SO-Arena,以2919项任务评估System One模型的跨领域能力、选项重排稳定性及正确答案缺失识别。研究发现能力排名与可靠性排名不一致;本地单H100与远程API延迟采用不同测量口径。
共 1 篇

NUS xML Lab提出SO-Arena,以2919项任务评估System One模型的跨领域能力、选项重排稳定性及正确答案缺失识别。研究发现能力排名与可靠性排名不一致;本地单H100与远程API延迟采用不同测量口径。