Evidence Sufficiency Evaluation

新基准测试LLM的证据充分性，Gemini 3.7 Flash得分1.00

一项名为“证据充分性评估”的新基准测试已被开发出来，用于评估大型语言模型是否能区分有证据支持的答案和需要无根据假设的答案。该基准测试包含72个测试用例，包括最小对和对抗性控制，旨在衡量模型跟踪相关证据以及识别不完整或冲突信息的能力。初步测试显示，Gemini 3.7 Flash在该基准测试中取得了1.00的满分，尽管创建者强调这并不证明其普遍优越性或在未见过示例上的完美表现。