English(EN) # LLMs Can't Reliably Do Date Math — And Now There's Data

大型语言模型在日期计算方面存在困难，新的基准测试揭示了这一点

作者 PulseAugur 编辑部 · [1 个来源] · 2026-07-29 15:29

一个名为 date-math-bench 的新数据集和测试工具揭示了大型语言模型难以进行基本的日期算术。在每种模型 101 个随机问题中，常见的错误包括错误计算经过天数与序数日计数，以及错误预测下一周的星期几。特别是，对于 Claude Haiku、GPT-4o-mini 和 Llama 3.3 70B 等模型来说，工作日计算被证明是一个重大的盲点，而 Claude Sonnet 和 Qwen3-27B 在此类别中表现完美。 AI

影响突显了大型语言模型推理能力的一个关键差距，可能影响需要时间理解的应用。

排序理由发布了新的基准测试和数据集，用于评估大型语言模型在日期算术方面的性能。[lever_c_demoted from research: ic=1 ai=1.0]

在 dev.to — LLM tag 阅读 →

AI 生成摘要 · Google Gemini · 来自 1 个来源。我们如何撰写摘要 →

本文如何被排名

Signal score: 0 / 100; Composite score across the factors below. Higher = stronger signal that this story matters right now.
Newsworthiness bucket: Tool; 发布了新的基准测试和数据集，用于评估大型语言模型在日期算术方面的性能。[lever_c_demoted from research: ic=1 ai=1.0]
Source corroboration: Single-source cluster; Only one publisher covered this so far. Single-source stories can still rank when the publisher is high-authority, but they lack cross-source corroboration.
Topics: paper, model release; Editorial topic classification. Feeds into how the story surfaces on /topic/<slug> hub pages and into the per-entity coverage mix.
AI-industry relevance: High; Clearly on-topic for AI-industry coverage.
Story freshness: 66 days old; Aged out of breaking-news scoring windows; ranking reflects the durable signal from the full source set.

完整方法见我们的编辑标准。

报道来源 [1]

dev.to — LLM tag TIER_1 English(EN) · Maverick Y · 2026-07-29 15:29

大型语言模型无法可靠地进行日期计算——现在已有数据支持

<p>Date arithmetic looks like the safest possible thing to hand an LLM. No ambiguity, no judgment call, just counting. That's exactly what makes it dangerous: it reads as confident and final, so it doesn't get double-checked the way a hedged or uncertain answer would.</p> <p>This…

本文如何被排名

报道来源 [1]

大型语言模型无法可靠地进行日期计算——现在已有数据支持

相关实体

相关话题