Saya pikir ada sesuatu yang penting terjadi di sini yang layak untuk diketahui: 1) sebagian besar model terlalu cocok untuk eval. Yang mengatakan, kita membutuhkan beberapa EVAL untuk memberi tahu model apakah mereka adalah detektor omong kosong yang bagus sebelum kita pergi dan membakar banyak uang untuk mengembalikan omong kosong 2) perlu ada kesadaran akan penderitaan dan secara umum bersikap setuju tidak selalu merupakan hal terbaik 3) Saya pikir menggunakan campuran LLMS dan manusia untuk menilai akan berharga