一个名为 PRISM-BENCH 的新基准已被开发出来,用于评估 AI 模型的多模态推理能力,超越简单的答案准确性。该基准包含 1,000 个专家精心策划的问题,涵盖五个推理类别,每个类别都有一个理想化的推理过程。PRISM-BENCH 旨在诊断诸如图像基础和所陈述推理的忠实性等问题,揭示感知和基础是当前如 GPT-5 和 Claude Opus-4.6 等前沿模型的重要瓶颈。该基准还引入了 CORE,这是一个效率感知指标,与单独的准确性相比,它重新排序了模型性能排名。 AI
影响 该基准可以推动具有更强大和可验证推理能力的 AI 模型的发展。
排序理由 该集群包含一篇介绍用于评估 AI 模型的新基准的研究论文。[lever_c_demoted from research: ic=1 ai=1.0]
- alphaXiv
- arXiv
- CatalyzeX
- Claude Opus-4.6
- Connected Papers
- DagsHub
- Gotit.pub
- GPT-5
- Hugging Face
- Litmaps
- PRISM-Bench
- ScienceCast
- scite Smart Citations
AI 生成摘要 · Google Gemini · 来自 1 个来源。 我们如何撰写摘要 →