北京航空航天大学发布Code2Bench：推动代码大模型评估体系革新，终结单纯刷分现象
在评估大语言模型（LLM）生成代码的能力时，一个日益凸显的问题浮现出来：当这些模型在 HumanEval 和 MBPP 等经典基准测试中取得近乎饱和的成绩时，我们究竟是在衡量其真实的泛化推理能力，还是仅仅检验它们对训练数据的记忆力？目前的代码基准正面临两大核心挑战：一是数据污染的风险，二是测试严谨性的不足。前者可能使评测退化为「开卷考试」，而后者常常导致一
科技新闻8 阅读
搜索: "评估体系"
共找到 2 篇相关文章
春节过后理想汽车将实施“门店合伙人”方案！汽车行业正寻求通过优化渠道提升效率，未来或将迎来“1+N”模式的发展趋势
每经最近有消息指出，理想汽车计划在2026年春节后实施“门店合伙人”方案，以提高其门店的运营效率和市场响应速度。此信息已经得到理想汽车方面的确认。在这一方案中，理想汽车将赋予店长更多的经营决策权限，并改进考核机制，从单一的销售业绩评价转变为包括销量、利润及客户满意度在内的综合评估体系。另外，据消息透露，公司计划关闭一些表现不佳或处于扩张初期阶段的门店，目前
国内新闻42 阅读