人物
别名：jchudnov
ICML 2026论文作者
已跟踪 2 条高相关材料
最近变化
2026-07-05 · LLMs预测其他模型输出准确率高，但事实判断错误率高达70%（ICML 2026论文数据）
为什么值得关注
Jessica Chudnovsky 被反复提及时，通常意味着它正在影响产品路线、开发者工作流或 AI 产业判断。这个页面把分散材料合并成一个可持续更新的观察入口。
LLMs are better at predicting what other models will say than what’s actually true. When they’re wro...
Stanford AI Lab(@StanfordAILab) · 8.5 分
斯坦福AI实验室发现大语言模型在预测其他模型输出时表现优异，但事实准确性不足，且自我一致性方法无法提升无验证场景下的真实性。
Deduplication is standard practice but never perfect --this work measures what the residue costs in ...
Stanford AI Lab(@StanfordAILab) · 8.5 分
斯坦福AI实验室研究发现，数据去重残留成本可能导致高达33%的计算浪费，且重复结构可预测。
已收录 2 条与 Jessica Chudnovsky 相关的内容，按评分排序。
斯坦福AI实验室研究发现，数据去重残留成本可能导致高达33%的计算浪费，且重复结构可预测。
入选理由：错误的数据去重组合可能浪费33%计算资源
斯坦福AI实验室发现大语言模型在预测其他模型输出时表现优异，但事实准确性不足，且自我一致性方法无法提升无验证场景下的真实性。
入选理由：LLMs预测其他模型输出准确率高，但事实判断错误率高达70%（ICML 2026论文数据）
