通过基准测试、游戏和认知测试三角测量大型语言模型的进展

本研究针对评估大型语言模型的有效性，探讨了基准测试、互动游戏和认知测试之间的差异与联系。通过对模型性能的深入分析，我们发现互动游戏在区分语言模型方面表现优于传统基准，而核心的认知能力与模型表现相关。研究结果强调了开发针对大型语言模型的新互动基准和认知测试的重要性。