标签
本文探讨了MMLU基准分数的问题，表明由于开放的评估变量，不同的模型构建可能会产生不可比的准确性，并提出了一种内容寻址框架以提高可追溯性。
本文提出了一种方法，将定义在不同变量集上的因子化概率分布扩展到共同的可测空间，从而能够使用分布差异度量进行有原则的比较。