Microsoft 研究：AI 评测如何暴露模型的“意外失败”

Microsoft 合伙人研究经理 Jennifer Neville 在 Microsoft Research Podcast 中讨论评测如何推动 AI 系统突破传统 benchmark 的性能边界，以及模型在超出常规测试时出现的“意外失败”。她同时给出使用当前 AI 系统的实用建议，并强调当结果偏离预期时应仔细检查数据。