论文Agent 与开发者多源确认12:57论文提出 DS-QA 基准与蒙特卡洛协议评估 LLM 数据科学任务可靠性这篇论文做了件常被忽略的事：同一题让模型跑 100 遍看答案稳不稳，结果数据可视化和监督学习这类任务波动最大，做评测的人该看看。#DS-QA#OpenAI#DataSciBench#模型评测10 个信源在谈事件专题aarXiv: OpenAI@Wenqi Ni 等 3 人11 个信源在谈原文稍后读已读值得跟进有用关注 DS-QA