QuanTemp 是一个旨在评估事实核查模型处理数字声明能力的新基准测试。它包含来自 45 个事实核查机构和 423,320 条片段语料库的 15,514 个数字声明。该基准测试旨在区分数字推理能力的真正提高和因搜索结果更好而带来的侥幸成功，尽管目前顶级模型的宏观 F1 分数为 58.32。 AI
影响 该基准测试有望促成更强大的 AI 事实核查系统，使其能够准确处理数字数据。
排序理由 该集群描述了一个用于评估 AI 模型的新基准测试。 [lever_c_demoted from research: ic=1 ai=1.0]
在 Mastodon — fosstodon.org 阅读 →
AI 生成摘要 · Google Gemini · 来自 1 个来源。 我们如何撰写摘要 →
