热点事件持续更新

lm-eval多选评测的格式失灵与误抓

1 篇报道1 个报道来源3 小时前更新

先了解这件事

AI 综述

使用 lm-eval 进行领域多选题基准测试时，发帖人即使明确要求模型“只回答字母”，仍遇到重度指令微调模型返回完整解释的情况；模型未按指定格式作答，`([A-F])` 正则却可能从解释中的无关单词抓取首个 A 至 F 字母作为答案。这会使评分更多受答案字母位置影响，而非准确反映模型的领域知识。发帖人因此向社区寻求成熟的评测与格式约束解决方案。

AI 根据报道生成 · 3 小时前更新

最新进展11月5日 06:37

lm-eval 多选题评测踩坑：强指令模型不按格式回答，regex 抓错字母

报道时间线

沿着报道，了解事件的不同侧面。

11月5日

06:37
AGI Hunt
lm-eval 多选题评测踩坑：强指令模型不按格式回答，regex 抓错字母
使用 lm-eval 进行领域多选题基准测试时，明确要求“只回答字母”仍可能无法约束重度指令微调模型，模型会返回完整解释。随后 `([A-F])` regex 可能从无关单词中抓取第一个字母，评测结果因此偏向字母位置而非模型领域知识，发帖人向社区寻求成熟解决方案。

本事件热度走势

可比范围当前: 9
可比范围峰值: 1011月5日 07:00
近 24 小时变化: –

趋势仅比较持续完整观测到的相同主体，范围可能小于当前热度统计。移动指针或点击图表查看每小时热度；键盘可用左右方向键切换。