贝叶斯分析质疑 LLM 基准测试：跑分噪声极大，各模型或实际打平

开发者 remilouf 用贝叶斯方法分析后质疑现行 LLM 基准测试的可靠性，认为现阶段所有模型可能都是打平的。他在 tau2 bench 上测得 95% 置信区间为 +5 到 +13，显示跑分差异难以区分真实能力差距，详细分析即将发布。