IMO-GradingBench

廉价大模型在数学证明评分方面可媲美前沿模型

一篇新的arXiv论文探讨了使用较小的、开放权重语言模型来评判数学证明的成本效益。研究发现，像GPT-OSS 120B、DeepSeek-V4 Flash和Gemma-4 31B这样的模型，在评分准确性方面可以媲美Claude Opus 4.7和Gemini 3.1 Pro等更昂贵的模型。研究人员提出，要求三个预算模型达成一致意见能提供最高的准确性和精确度，尽管这一具体规则需要独立验证。