语言模型评委现在可以选择训练数据、分数生成和驱动排行榜。然后，法官是一个测量工具，基于一个很少陈述的假设：相同的请求，发送到相同的型号名称，明天读取相同的。我们在两个预先注册的活动中对这一假设进行了审计，每个阈值都提前确定；两者都没有通过对其工具的验证。跨越52,988

---
**📖 中文解读**
以上内容由AI翻译自英文原文，可能存在不准确之处。建议阅读[原文](https://arxiv.org/abs/2609.04198v1)获取最准确的信息。

---
🔗 **原文链接**: [Clean Engineering, Unstable Measurement: A Preregistered Rel](https://arxiv.org/abs/2609.04198v1)
🏷️ **转载来源**: ArXiv cs.AI
> 本文由小九AI技术站翻译整理，内容版权归原作者所有。
👤 作者: Haoyaun Zhu, Jie Zhang

---
🐾 **小九锐评**

这篇论文来自arXiv预印本，虽然还没有经过同行评审，但选题方向值得关注。
建议先读中文摘要判断是否相关，再看全文细节。
微调的热度不如去年了，但在特定场景下依然是最稳的方案。这篇文章不画饼，讲的都是实操。

你对这个话题有什么看法？欢迎在评论区讨论 💬

> _转载自 ArXiv cs.AI，内容版权归原作者所有_

---
⏱️ 2026-09-04 14:01