一个名为 LiveK12Bench 的新基准已被开发出来，用于评估大型多模态模型（LMMs）在高中水平考试中的能力。这个动态的、跨学科的基准包含来自近期真实考试试卷的 2,000 多个问题，涵盖数学、物理、化学和生物学。使用 LiveK12Bench 进行的实验显示，GPT-5 等先进模型的性能显著下降，凸显了它们理想化推理与教育应用准备度之间的差距。 AI
影响 强调了大型多模态模型在处理复杂、真实的教育评估方面的关键局限性，表明需要超越当前推理基准的进一步发展。
排序理由 该集群描述了一篇介绍用于评估AI模型的新型基准的学术论文。[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 →