arXiv · cs.AI· Jennifer Wang, Joachim Baumann, Daniel E. Ho, Sanmi Koyejo·· 5 小时前
API基准分数难以可靠迁移到聊天机器人界面
API Benchmark Scores Do Not Reliably Transfer to Chatbot Interfaces
arXiv:2609.08861v3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：Jennifer Wang, Joachim Baumann, Daniel E. Ho, Sanmi Koyejo
研究任务与主要进展
Jennifer Wang等人审计ChatGPT、Claude和Gemini的七套系统及九项基准，发现API评测与对应聊天界面存在系统性差异。API评测平均准确率高3.4个百分点、测试重测一致性高2.1个百分点；对ChatGPT而言，访问方式造成的差异可与GPT 5.3和GPT 5.4之间的API性能差异相当。作者报告，调整系统提示、采样参数和推理设置只能在部分情况下改变行为，未能可靠消除该差距。
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