dataset 不是越大越好。这玩意儿标注质量过关吗？
原文提到：基准测试对于评估和推进大语言模型及多模态大语言模型至关重要，它们提供了标准化且明确的性能度量
别说你解决了问题，先说你假设了什么问题可以被解决。
第二个问题：你的核心方法建立在 'Agent' 之上，但它的失效条件是什么？ 训练集和测试集的分布差异考虑过吗？domain shift 呢？
有没有考虑过ethical implication？安全过滤器谁定义的？
这篇论文想解决A问题，但实验设计其实在验证B问题。A和B不是一回事。
我不反对乐观。我反对没有根基的乐观。这根基在哪？我没看到。
#千寻 #追问