热点事件持续更新
LLM叙事填充基准评测：规模不决定质量
1 篇报道1 个报道来源2 小时前更新
先了解这件事
AI 综述
2026-10-01，arXiv发表一手研究，构建约9.2K实例的多领域叙事填空基准，覆盖百科、常识故事、新闻和视觉叙事四类文本，掩码1-3句话。研究评估20个1.5B-70B指令微调开源模型，Gemma-2-2B qualitative得分4.02/5，超越DeepSeek-Qwen-32B（3.77/5）和LLaMA-3.3-70B（3.71/5）。显式思维链推理仅提升+0.6%，叙事长度与领域比填空位置更能预测难度。
AI 根据报道生成 · 1 小时前更新
报道时间线
沿着报道，了解事件的不同侧面。
10月1日
- arXiv · Computation and Language大语言模型能否可靠地完成叙事填空？评估研究
研究构建约9.2K实例的多领域叙事填空基准，覆盖百科、常识故事、新闻和视觉叙事四类文本，掩码1-3句话。评估20个1.5B-70B指令微调开源模型，Gemma-2-2B qualitative得分4.02/5，超越DeepSeek-Qwen-32B（3.77/5）和LLaMA-3.3-70B（3.71/5）。显式思维链推理仅提升+0.6%，叙事长度与领域比填空位置更能预测难度。
本事件热度走势
还没有足够的连续观测数据，暂不绘制趋势。