本文通过大规模实验表征了开源模型的“评估意识”现象,发现检测、行为改变和可控性等多个维度弱耦合,揭示了基准测试性能与实际部署行为之间的“基准错觉”。
机构:Microsoft
来源:arXiv 2606.23583 | AI4Papers 论文推荐平台