TIDE 用决策树从基准得分中挖掘细粒度能力差异。
资讯摘要
论文提出 TIDE（Tree-Induced Diagnostic Evaluation），将诊断评估转化为行为驱动的决策树归纳，以细粒度刻画模型能力。方法从基准样本与模型得分递归构建分层能力树：每个节点由 LLM 裁判提出候选划分并完成样本分组，再以基于行为的信息增益选择划分。作者在四个基准、五个模型上应用 TIDE，报告了聚合分数下不可见的细粒度能力差异。
要点速读
- TIDE 将诊断评估重构为行为驱动的决策树归纳，递归构建分层能力树。
- 每个节点由 LLM 裁判提出候选划分并分类样本，用基于行为的信息增益选择划分。
- 作者在四个基准、五个模型上应用 TIDE，报告 Claude Opus 4.6 在微观经济市场推理上为 100%、GPT-5.4 为 83.3%，但在合同法推理上为 77.8% 对 88.9%。
中文摘要由 AI 根据公开来源生成，可能存在理解偏差；具体能力、数字、开放时间等信息请以原文为准。
采集于 2026/10/23 08:00:11（北京时间）。 arXiv 日期为本次公告时间，论文初次投稿日期请查看原文版本记录。