标签
一篇新论文和名为 Weight-Space Reading(wsr)的开源工具包测试了 LLM 能否在不运行另一个模型的情况下预测修改其权重后的行为变化。结果显示,Qwen 27B 通过直接访问权重达到 73% 的平衡准确率,而仅依靠文本描述只有 57.8%;自我检视则未表现出明显优势。
PRM-as-a-Judge 1.5 是一款工具包,提供细粒度指标和可靠性工具,用于评估具身机器人模型,超越二元成功率,专注于过程进展和执行质量的评估。