arXiv · cs.AI· Qifeng Lei, Zhiyong Yang, Zitai Wang, Shilong Bao, Linchao Zhang, Qianqian Xu, Qingming Huang·· 1 天前
UtilityBench：按不同错误成本衡量语言模型效用的基准
UtilityBench: Measuring Language Model Utility When Errors Have Different Costs
arXiv:2610.25924v1阅读论文 PDF ↗
仅依据论文摘要整理；未读取全文，实验条件、证明与基准细节请核对原文。
作者：Qifeng Lei, Zhiyong Yang, Zitai Wang, Shilong Bao, Linchao Zhang, Qianqian Xu, Qingming Huang
研究任务与主要进展
研究团队提出UtilityBench，以15,000个带可验证答案的实例衡量不同错误成本下的语言模型效用，并用Best-Worst Scaling估计错误严重程度。团队还提出UtilityAUC，根据模型回答排序计算效用曲线下面积；对20个前沿模型的摘要级评估显示，更高准确率或更先进架构并不稳定对应更高UtilityAUC。
阶段、条件与复现 · 深读核对
- 新能力对应什么具体任务与最小输入输出？
- 代码、模型、数据、许可与可用入口是否明确？
- 效果、总成本、失效条件与实际工作流如何验证？
这些是阅读核对问题；材料未说明的条件保留未知。请结合上方论文版本、资料范围与原文核验。
来源：arXiv · cs.AI · arxiv.org