Материал бастапқы дереккөзден алынған:
arXiv — cs.AI
Толық мәтінді arXiv — cs.AI сайтында оқуМатериал ашық дереккөздерден жиналған. Оның орналастырылуы сіздің құқықтарыңызға тиіп жатса → Ақпаратты жою
Тақырып ағылшын тіліндеRight Order, Wrong Scale: Auditing LLM Judges for Occupational AI Measurement
LLM judges are increasingly used to assess whether AI outputs meet workplace requirements, but agreement on response rankings does not establish agreement on acceptance rates or occupational aggregates. We introduce O*NET-BENCH, an audit suite derived from an existing survey of…
AI қорытындысы: Басты тезистер
- LLM judges are increasingly used to assess whether AI outputs meet workplace requirements, but agreement on response rankings does not establish agreement on acceptance rates or occupational aggregates
- We introduce O*NET-BENCH, an audit suite derived from an existing survey of…
Right Order, Wrong Scale: Auditing LLM Judges for Occupational AI Measurement
Ұқсас материалдар
Судья Сэм Альтманның әпкесінің сексуалдық зорлық-зомбылық туралы арызын қабылдамады
Сейсенбіде АҚШ округінің судьясы Захари Блюстоун Энн Альтманның ағасы OpenAI бас директоры Сэм Олтманның балалық шағында оған жыныстық зорлық-зомбылық көрсеткені туралы өткен жылы берген талап-арызын қабылдамады. Бұған дейін The Guardian хабарлағандай, судья өткен жылы Энн…
50-ден астам адам өлтірілуі мүмкін болса, модельді бұғаттауы мүмкін AI қауіпсіздігі туралы заң жобасы
Ұсынылып отырған саясат интеллекттің адасуынан қорғауды ұсынатын сияқты, бірақ іс жүзінде федералды агенттіктерге судьяның рұқсатынсыз модельді шығаруға тыйым салуға тыйым салады.
Hugging Face бас директоры Netflix-тің OpenAI хакерлік деректі фильмі дәл емес екенін ескертеді
«AI Gone Rogue» Netflix деректі фильмін бөліспес бұрын ескертіңіз. Фильмде бейнеленген Hugging Face-тің негізін қалаушы Клем Деланг оның «толық апат режимінде» өткенін және дәл емес екенін айтады.
ENAnthropic’s cloud partnerships are getting messy
Anthropic is reportedly struggling to secure enough compute from cloud providers that increasingly view it as a competitor, even as its infrastructure spending balloons ahead of a planned November IPO.