文章讨论“锯齿状智能”:AI在奥数等任务上表现优异,却会在简单任务上出错。作者提出四种解释:可验证奖励训练、数据覆盖不足、模式复制、概念表征不一致。文中列举干扰句致数学题性能降65%、能定义却不会应用、读钟准确率仅13.3%、医疗场景中用户实际表现远低于模型单独得分等案例,说明单一基准分数会误导。建议用扰动测试、应用测试、分群报告和真实用户测试来评估,并在每次模型更新后重新测试。
完成下面两步后,将自动完成登录并继续当前操作。