arXiv · Human-Computer Interaction· Ro Encarnaci\'on, Tina Behzad, Emma Lurie, Dana\'e Metaxa·· 3 hr agoAI score47
现有 AI 评测遗漏了什么：模态、搜索、引用及其对安全评估的影响
What Current AI Benchmarks Leave Unmeasured: Modality, Search, Citations, and Implications (for Safety Evaluations)
AI brief
一项针对广泛使用的大语言模型的审计比较了 ChatGPT 聊天界面与 OpenAI API 两种模态，并开启或关闭 web search，基于 BBQ 和 SafetyBench 的 401 条提示、每条重复 3 次共 4,812 条响应。
Source: arXiv · Human-Computer Interaction · arxiv.org