arXiv cs.AI· Jiayi Chen, Hui Li, Yujiong Shen, Qiyuan Peng, Yanxin Li, Chenhao Huang, Shaofan Liu, Guoqiang Zhang, Junjie Ye, Shihan Dou, Ming Zhang, Maxm Pan, Tao Gui, Qi Zhang, Xuanjing Huang·· 2 小时前AI 评分36
TIDE：从模型行为进行树诱导细粒度诊断评估
TIDE: Tree-Induced Fine-Grained Diagnostic Evaluation from Model Behaviors
AI 导读
研究者提出 TIDE，一种将诊断评估转化为行为驱动决策树归纳的方法，可从基准样本与模型得分中递归构建分层能力树，实现大语言模型细粒度能力诊断。该方法在 4 个基准上评估 5 个模型，发现聚合分数无法体现的能力差异：Claude Opus 4.6 在微观经济市场推理上达 100%，GPT-5.4 为 83.3%，但在合同法推理上 Claude 以 77.8% 落后于 GPT-5.4 的 88.9%。
来源：arXiv cs.AI · arxiv.org