一个名为 Schema 的新框架已被推出，旨在评估大型语言模型。早期报告表明，Schema 在使用 Fable+4.8 和 GPT 5.6 Sol 等模型时，在 ARC-AGI 3 基准测试中分别取得了 99% 和 95.35% 的令人印象深刻的分数。然而，一项澄清表明这些分数是在公共数据集上取得的，在保留集上的表现仍有待观察。 AI
影响 该框架可以为评估 LLM 在复杂推理任务上的能力提供新的标准。
排序理由 该项目描述了一个用于评估 LLM 的新框架并报告了基准分数，这属于研究范畴。[lever_c_demoted from research: ic=1 ai=1.0]
AI 生成摘要 · Google Gemini · 来自 1 个来源。 我们如何撰写摘要 →
