CogBattery：54个语言模型认知任务评测

Dengzhe Hou 等作者发布 CogBattery 基准，用 13 个认知范式的文本改编版评测 54 个开源权重语言模型，并与各原始研究中的人类数据逐项对比。 结果显示，模型和人类一样对 n-back 诱饵反应更强，但在普通非目标上误报远多于人类；多数模型区分自身正误的置信度能力弱于人类，且无论答对与否都选同一赌注。模型得分主要沿两个维度分布，第一维与规模密切相关，但更大模型并未更接近人类，预设认知分组也不优于同规模随机分组。

AI 根据报道生成 · 55 分钟前更新

还没有足够的连续观测数据，暂不绘制趋势。