引入了一个名为 QEDBench 的新基准，用于评估大学数学证明自动评估中的对齐差距。该基准显示，包括 Claude Opus 4.5、DeepSeek-V3、Qwen 2.5 Max 和 Llama 4 Maverick 在内的几个人工智能大型语言模型在其评分中表现出积极偏见。此外，研究强调了 GPT-5 Pro 和 Claude Sonnet 4.5 等模型在离散数学领域性能显著下降，尽管 Gemini 3.0 Pro 取得了最先进的成果。 AI
影响 突显了当前人工智能在复杂推理任务评估方法中的关键局限性，需要提高人工智能裁判的可靠性。
排序理由 该集群报告了一篇介绍用于评估人工智能模型的新颖基准的学术论文。[lever_c_demoted from research: ic=1 ai=1.0]
- Claude Opus 4.5
- Claude Sonnet 4.5
- DeepSeek-V3
- Gemini 3.0 Pro
- GPT-5 Pro
- Llama 4 Maverick
- QEDBench
- Qwen 2.5 Max
AI 生成摘要 · Google Gemini · 来自 1 个来源。 我们如何撰写摘要 →
