benchmark-illusion

本文揭示了“基准幻觉”现象：经过剪枝的大语言模型在多项选择基准测试中表现良好，但在开放生成中却无法回答相同的问题，这表明压缩模型应针对生成任务进行测试，而不仅仅是识别任务。