八个小型开源模型在 MMLU 领域排名是否真实？

Qwen3-4B-Base 和 Phi-3.5-mini-instruct 在 MMLU 测试中分别获得 71.8% 和 70.0% 的准确率，但两者之间的 1.85 分差距在 95% 置信区间内包含零。