Folia
← 返回头版

重建Minecraft并非真正的性能基准

近期大语言模型发布后,社交媒体上出现大量相同类型的演示,包括Minecraft重建、MS Paint绘画和SVG动画等1。然而评论指出,这些演示基准测试存在根本缺陷:它们是固定、众所周知的目标,可被AI实验室通过针对性优化完美解决,因此衡量的是准备程度而非真实能力1。研究表明,实验室可在8周内对这些测试进行过度拟合1。

验证这一问题的证据已浮现:Thinking Machines的Inkling Small模型参数不足旗舰版本的三分之一,却在Artificial Analysis上得分相近,在Humanity's Last Exam、GPQA Diamond和SciCode上表现甚至更优1。这表明参数规模较小的模型仍能通过优化达到相似或更好的演示效果,进一步证明演示基准难以准确反映模型的实际能力。

为应对这一问题,部分评估方案已采取措施:LiveBench采用轮转问题机制,ARC-AGI保持测试集私密,Humanity's Last Exam则保留部分测试的隐藏性1。评论建议,演示基准适合用于营销和社交内容,但不应被用于真实能力评分1。


评论