FlavourBench

FlavourBench 基准测试使用烹饪任务对语言模型进行排名 · 跟踪 2 个来源

一个名为 FlavourBench 的新基准测试已被引入，使用一个可执行的烹饪系统作为事实依据来评估前沿语言模型。这个名为 Epicure 的系统为涉及配料选择和组成的任务提供了密集、可执行的分数。该基准测试评估了 27 个模型，涵盖 534 个任务，确保每个模型都有相同数量的有效响应，以消除因缺失率不同而产生的偏差。Grok 4.6 取得了最高分，在 351 个模型对中解决了 101 个。