arXiv · cs.CL· Bowen Xu·· 22 天前精选AI 评分60
arXiv 预注册研究：评测 harness 修复的到底是什么
What Does a Harness Repair? A Preregistered Study of Visibility, Baseline Adequacy and Evaluation Defects
来源与原文
arXiv · cs.CL
作者：Bowen Xu
发布时间：（北京时间）
阅读原始来源 · arxiv.org ↗完整链接与内容说明
https://arxiv.org/abs/2610.05533v1
本站目前仅有 AI 导读与摘要，未展示原文正文；技术细节、代码和完整结论请查看原始来源。
AI 导读
arXiv 论文 2610.05533 通过预注册研究分析 harness 搜索带来的分数提升来源，覆盖 3 个小模型、3 个基准、GEPA 搜索臂和 6 种注入的评测缺陷，报告全部 47 个主要终点。
推荐理由
预注册研究拆解了 harness 搜索带来的分数提升来源，并给出六种评测缺陷在复现中被掩盖的比例，对评测方法设计有直接参考价值。
来源：arXiv · cs.CL · arxiv.org