Hugging Face Papers ↗ · 2026-11-18
幻影成功,沉默失败:审计模拟操作基准的成功检查器
媒体报道 Hugging Face Papers 原文语言:中文
作者利用基于大语言模型的流水线重新构造争议场景,并通过视觉验证任务指令的满足情况,发现了许多所谓的成功实际上是幻影,亦有未被检测到的失败,从而揭示了模拟操作基准中成功检查器的可靠性问题。
全文
基于大型语言模型的流水线通过重现分歧情景并视觉验证观察到的行为是否符合任务指令,对模拟操控成功检查器进行审计,揭示了虚假的成功和无声的失败。
正文为 AI 译文。