大型语言模型中基准测试的基准泄露

大型语言模型（LLM）排行榜的相对性能对细节非常敏感，微小扰动可导致排名变化高达8个位置。建议使用混合评分方法进行答案选择，强调依赖简单基准评估的风险，规划更健壮的评估方案。