‹ arXiv cs.LG

一次运行是不够的:用于评估数据科学任务的 LLM 可靠性的蒙特卡罗协议

原文:One Run Is Not Enough: A Monte Carlo Protocol for Evaluating LLM Reliability on Data Science Tasks

arXiv cs.LG 未缓存正文

大型语言模型 (LLM) 已显示出实现数据科学工作流程自动化的前景。 DataSciBench (2026) 和 StatQA (2024) 等基准推进了对数据科学和统计任务能力的评估。评估其可靠性需要检查其响应的质量以及重复运行、任务类型和难度级别的一致性。

正在把原文抓到本机服务器…首次约 3~8 秒,抓好后本站永久缓存,下次秒开。

抓不到时可直接看原文(部分站点需要登录/反爬,服务器也无法抓取)。

打开原文 ↗

正文由本站服务器抓取保存(已自动过滤广告、推荐位与追踪图片),排版与原站可能不同;版权归原站所有。

相关报道同一事件 / 同分类