- 註冊時間
- 2025-2-12
- 最後登錄
- 2025-11-15
- 主題
- 查看
- 積分
- 247
- 閱讀權限
- 50
- 文章
- 123
- 相冊
- 1
- 日誌
- 0
 
狀態︰
離線 
|
一項來自英國牛津大學「牛津網路研究所」的最新研究指出，許多流行的人工智慧（AI）性能基準測試工具可能並不可靠，甚至可能誤導大眾。
這項研究分析了445種不同的基準測試，這些測試被廣泛用於評估AI的推理能力和編碼任務的表現。研究人員發現，這些測試的結果往往無法準確反映AI模型的實際能力，部分原因在於基準測試的定義模糊，以及缺乏透明的統計方法來比較不同模型的表現。
研究指出，許多基準測試並未有效測量其所聲稱的目標。例如，Grade School Math 8K（GSM8K）測試旨在評估模型在國小數學問題上的表現，但研究人員認為，這並不一定能證明模型具備真正的推理能力。研究人員表示，這種測試可能會導致誤解，因為它無法確定一個模型是否真的在進行推理。
此外，研究還發現，隨著時間的推移，GSM8K的得分有所上升，這可能表明模型在這類推理和表現上有所改善，但也可能是因為測試問題進入了模型的數據集，導致模型開始「記憶」答案，而非真正推理。當研究人員在新的基準問題上進行測試時，發現模型的表現出現了顯著下降。
這項研究是英國政府AI安全研究所聯合史丹佛大學、加州大學柏克萊分校和牛津大學跨校合作的成果，並且是對AI基準測試的最大規模回顧之一。研究指出，僅約16%的基準測試使用過嚴謹的統計方法，缺少標準化手段，這造成了結果的可靠性問題，並引發業界對AI評估方法的反思。
這項研究提醒我們，儘管這些性能測量通常是出於良好意圖，旨在提供模型的準確分析，但最終可能淪為企業的市場宣傳工具。隨著AI模型持續快速開發，基準測試的缺陷對企業推出產品和市場宣傳帶來潛在風險，錯誤基準可能誤導消費者和投資者判斷。美國和英國目前尚未實施全國AI監管，基準測試為準則的必要性與挑戰並存，研究呼籲業界需推動統一標準與透明方法。
錄自：科技新報
|
-
總評分: SOGO幣 + 10
查看全部評分
|
發表於 
x 
