**基准测试即难度分布：新研究揭示评估盲区并提出修复方案**

_Your Benchmark Is an Empirical Measure Over Difficulty_

> 该研究提出基准测试本质上是难度上的经验度量，并据此识别出“度量不匹配”和“覆盖缺口”两大评估失效模式。通过构建诊断指标，研究分析了 25 个主流基准，发现许多测试集存在难度分布偏差或覆盖不全的问题。为此，作者提出了 BenchFill 算法，通过重写题目来针对性地填补难度覆盖缺口，从而更准确地监测模型进步。

**来源信息**
- **来源**：HuggingFace Daily Papers（社区热门论文）
- **分类**：论文
- **发布时间**：2026-10-30 08:00（北京时间）
- **原文**：[打开原文](https://huggingface.co/papers/2610.29927)