研究人员推出了BEAR-Bench，这是一个旨在评估多模态大语言模型（MLLMs）在处理复杂的、文本密集的英语和俄语文档时的推理能力的新基准。该基准解决了现有评估的局限性，这些评估通常侧重于简单的信息提取或严重偏向英语和中文。BEAR-Bench包含1000个源自商业和科学文本的人工标注问题，对包括Gemini-3.1 Pro和Qwen3.5-397B在内的16个MLLMs进行的初步评估显示，即使是表现最好的模型也有很大的改进空间。该研究还利用基准的输出来比较现有的幻觉检测方法。 AI
影响 该基准有望推动多模态LLM在处理多语言专业文档时的推理能力得到提升。
排序理由 该集群描述了一个用于评估AI模型的新学术基准。[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 →
