В качестве контрольных конструкторов следует использовать "подготовку на испытательном наборе" для размножения невизненных резьбовых отрубов.

arXiv: 2511.04655v2 Annuales Type: заменить резюме: Multildary LMS может отвечать на многие вопросы в видетельно ориентированных контрольных показателях без просмотра изображения с использованием языковых приводов и диспропорций ответов. Слепая оценка показывает, что модель уже отвечает таким образом, но не то, чему она могла бы научиться из собственных стандартных параметров тестов. Расширяя проверку частичной отдачи (например, только гипотезы в естественном языке), мы заявляем о том, что разработчикам эталонных моделей следует «обучиться на испытательном наборе»: исследовать артефакт, который они выпускают, с целью его использования. Наш тест-испытание на стресс (TST) с перекрестной корректировкой только текста Qwen2-7B в вопросах и вариантах ответов тестового набора, что дает базовый балл и отрицательный показатель s(x) по каждому вопросу; случайный лес на ручных свойствах добавляет быструю интерпретируемую аудиторскую проверку. На основе шаблона VSI-Bench и CV-Banch, показатель удерживаемых в режиме ожидания составляет 17.9 и 13.1 очка выше собственного нулевого балла модели. На MMMU он мало учится, хотя GPT-4o прав.