模型 benchmark 差距常在误差范围内，评测该不该加置信区间？

Reddit 用户指出，新模型在 HumanEval、GSM8K 等榜单上仅比旧模型高出几个百分点，可能落在问题采样噪声之内：HumanEval 共 164 题，70% 得分的标准误差约 3.5 分，GSM8K 约 1 分，2 分差距尚不及采样温度、提示词模板、few-shot 示例和评估框架版本带来的波动。