研究人员发现，大规模语言模型的涌现能力是由于衡量指标的选择，而非模型行为的根本性变化。非线性或不连续的衡量标准会导致明显的涌现能力，而线性或连续的度量标准会导致模型性能的平滑、连续、可预测的变化。涌现能力的消失与指标选择相关，不是大规模模型的基本属性。该论文于去年4月底发布，并获得最佳论文奖。

数据驱动已成为企业的优点，但选择正确的指标和充分理解背景是至关重要的。在健康圈中的例子表明，视角过于狭窄的数据可能会导致错误的决策。销售速度是一个细致的指标，可以帮助你了解实际情况。在商业组织中考虑指标将增加你的知识深度，并帮助你预测下一个季度可能发生的事情以及你可以拉动的杠杆。