什么是 人类评估?

用于测量和比较模型性能的标准化测试或数据集。

小学数学应用题的基准，用于评估语言模型中的逐步推理。

用于测量训练后模型质量的保留数据集。

在响应生成期间使用额外的推理计算来提高质量或推理。

一种代码评估指标，用于衡量 k 个生成的样本中至少有一个通过测试的机会。

指导人工智能如何在社会中开发和使用的政策、标准和监督机制。