arXiv 论文：基准测试难度分布失真，榜单结论需谨慎解读

一篇 arXiv 论文发现，基准测试的题目难度分布会影响模型训练中观测到的分数提升，部分基准过度加权特定难度区间，或在难度轴上存在大片空白。论文警示，依赖排行榜判断模型进步时，应谨慎解读其评测结论。