能做数学却答错大小比较：AI能力评估方法亟待革新

斯坦福HAI研究所召集专家研讨AI评估新方法。当前AI系统能创作十四行诗、解复杂微分方程，却可能判断2.11大于2.9。研究者指出现有基准测试只关注答案正确性，无法衡量AI的推理、逻辑等深层能力。专家们借鉴心理测量学，探...