来自 Minh Nhat Nguyen（@menhguin）的推文线程

让我感到困扰的是，“前沿基准测试”中的很多测试都在检验知识广度（GPQA 和 HLE）以及以人为中心的偏见（ARC AGI）。 对于预训练模型，我们主要测试的是是否包含了完全相关的数据集。 这充分说明了人类是如何看待智能的。