2026. július 31., péntek · Kutatás

LivingArena: nyelvi modellek egymást tesztelik, hogy kiderüljenek gyengeségeik

Kutatók egy nem lektorált arXiv-tanulmányban bemutatják a LivingArena nevű értékelési keretrendszert, amely a nyelvi modellek egymás közti tesztelésén alapul. A módszer szerint a modellek felváltva tesznek fel kérdéseket egymásnak azzal a céllal, hogy olyan feladatot találjanak, amit az ellenfél nem tud megválaszolni; a kérdező akkor kap jutalmat, ha a másik modell hibázik, a válaszadó pedig akkor, ha helyesen felel. Egy erős modellekből álló bírálóbizottság ellenőrzi, hogy a kérdéseknek objektíven igazolható válaszuk van-e. A szerzők tíz élvonalbeli nyelvi modell tesztelésével stabil Elo-ranglistát állítottak elő, és megfigyelésük szerint a modellek felismerik és célzottan kihasználják egymás gyenge pontjait. A módszer csak gyengén korrelál az emberi preferenciákkal, de olcsó, skálázható folyamatos értékelést kínálhat.

Egy forrás Ehhez a hírhez egy forráslink áll rendelkezésre.

Miért fontos?

A módszer megoldást kínálhat a statikus benchmarkok szennyeződésének és telítődésének problémájára a nyelvi modellek értékelésében.

Források

arXiv cs.AI Preprint

Kapcsolódó témák

Napi összefoglaló

Ez a hír a 2026. július 31., péntek napi AI összefoglaló része.

Kapcsolódó hírek

Az Ai2 szerint megbízhatatlanok az AI-modellek a kutatási ötletek újdonságának megítélésében

Az Ai2 kutatólabor a Hugging Face blogján közzétett tanulmánya szerint a nagy nyelvi modellek megbízhatatlanul ítélik meg, hogy egy kutatási ötlet valóban újszerű-e. A kutatók hat LLM-et – a GPT-5.1, GPT-5.2, GPT-5.4, valamint a Claude Sonnet 4.5, Claude Opus 4.5 és Claude Opus 4.6 modelleket – teszteltek egy saját, ICLR 2026-os bírálatokból épített benchmarkon, amely 154 magas és 145 alacsony újdonságtartalmú kutatási ötletet tartalmaz. Az Ai2 szerint a promptban végzett apró módosítások – néhány szó megváltoztatása – akár 50 százalékpontnál is nagyobb mértékben befolyásolták, hogy a modell helyesen azonosította-e a két ötlet közül az újszerűbbet. A tanulmány azt is megállapította, hogy a visszakeresés és a hosszabb gondolkodási idő nem javítja következetesen az ítéleteket, sőt két célzottan erre épített értékelő rendszer rosszabbul teljesített, mint egy egyszerűen promptolt Claude Opus 4.6.

Átfogó szakirodalmi áttekintés a terminálban működő AI-ügynökökről

Egy kutatói csoport arXiv-on közzétett, még nem lektorált szakcikke szisztematikusan összegzi a parancssori környezetben (terminálban) működő nagy nyelvi modell alapú AI-ügynökökkel kapcsolatos kutatásokat. A szerzők állítása szerint ezeket a rendszereket eddig szétszórtan tárgyalta a szoftverfejlesztési, eszközhasználati és számítógép-kezelési szakirodalom, ezért egy egységes, hét dimenziós kompetenciaprofilt javasolnak a modell, a felület, a futtatókörnyezet és a végrehajtási folyamat összekapcsolására. A cikk szerint a jelenlegi benchmarkok főleg a végeredményt mérik, míg a folyamat minőségét, a hibából való felépülést és az irányíthatóságot egyenetlenül vizsgálják. A szerzők ezért a rendszer- és futtatási körülmények részletes dokumentálását, valamint visszajátszható nyomkövetési adatok használatát javasolják az értékelések megbízhatóbbá tételéhez.

Orvosi mesterséges intelligencia biztonságosságát torzítja az értékelő személye – hiányzó információ mellett

Egy nem lektorált kutatás négy nagy nyelvi modell (Claude Opus 4.8, GPT-5.5, Grok 4.3 és Gemini 3.5 Flash) orvosi biztonságosságát vizsgálta nyílt végű klinikai beszélgetésekben, ahol szándékosan hiányos információt kaptak a modellek. A szerzők szerint az értékelő megválasztása érdemben befolyásolja az eredményt: a négy LLM-bíró közötti egyezés csak közepes (Fleiss-kappa 0,65), és kimutatható pozitív torzítás, ha egy modellt saját szolgáltatójának bírája értékel. Az LLM-bírák ráadásul szignifikánsan engedékenyebbek voltak, mint a vakított klinikai szakértők: 66–84%-ban ismerték el a megfelelő bizonytalanságot, szemben a klinikus 52%-ával. A kutatók hangsúlyozzák, hogy a biztonsági rés nem tudáshiányból, hanem a kalibrációból ered, amit egy zárt végű MedQA-teszttel is alátámasztanak. A csoport a teljes tesztkeretrendszert, promptokat és annotációs protokollt nyilvánosan elérhetővé tette.

Klinikai LLM-ek nem a tudásukon véreznek el, hanem az aktív információkeresés szisztematikus kudarcán

Egy nem lektorált kutatás 32 élvonalbeli nagy nyelvi modellt tesztelt hematológiai onkológiai eseteken, ahol a modelleknek három körben kellett aktívan klinikai adatokat kérniük diagnózis előtt. A legjobb modell is csak 68%-os pontosságot ért el. A szerzők szerint a diagnosztikai pontosság legerősebb előrejelzője az információ-felhasználási arány volt (R=0,69), amely az utolsó körre 57%-ról 26%-ra esett, így kezelésválasztáshoz kritikus molekuláris adatok feltáratlanok maradtak. A gondolkodási láncolatok magas klinikai minőséget mutattak (91%), de ez nem korrelált a végső pontossággal. A hibaelemzés a kezdő klinikusokra jellemző kognitív torzításokat – horgonyzást, idő előtti lezárást – azonosította fő hibamódként.