热点事件持续更新
LLM Harness 覆盖率与专精分离的受控评估
1 篇报道1 个报道来源4 小时前更新
先了解这件事
AI 综述
2026 年 9 月 30 日，arXiv cs.AI 收录一篇研究 LLM harness 的论文《更多程序还是更多次执行？LLM Harness 中覆盖率与专业化的分离》。该研究在 MATH-500 的 386 个任务上做受控评估，对比 8 个生成式 harness、1 个 baseline 以及 9 份字节完全相同的副本，每个对象各执行 3 次。结果显示，即便程序字节相同，仍带来 2.16 个百分点的重复平均 oracle 余量，论文据此把覆盖率与专业化两种效应分离开来。目前这是该事件的首次报道，尚无后续更正或补充，也无与早先报道不一致之处。
AI 根据报道生成 · 3 小时前更新
最新进展9月30日 12:00
研究测得字节相同的程序各执行 3 次后仍有 2.16 个百分点重复平均 oracle 余量。报道时间线
沿着报道，了解事件的不同侧面。
9月30日
- arXiv cs.AI更多程序还是更多次执行？LLM Harness 中覆盖率与专业化的分离
受控评估在 MATH-500 的 386 个任务上对比 8 个生成式 harness 与 1 个 baseline 及 9 份字节相同副本，每个执行 3 次：完全相同的程序仍带来 2.16 个百分点的重复平均 oracle 余量。
本事件热度走势
当前热度 9·可比范围峰值 10（9月30日 13:00）·近 24 小时可比范围变化 –
趋势仅比较持续完整观测到的相同主体，范围可能小于当前热度统计。移动指针或点击图表查看每小时热度；键盘可用左右方向键切换。