实体 QEDBench

QEDBench

PulseAugur coverage of QEDBench — every cluster mentioning QEDBench across labs, papers, and developer communities, ranked by signal.

总计 · 30天

1

90 天内 1

发布 · 30天

0

90 天内 0

论文 · 30天

1

90 天内 1

层级分布 · 90 天

主题

情绪 · 30 天

1 天有情绪数据

最近 · 第 1/1 页 · 共 1 条

TOOL · CL_129307 · Jul 7 · 04:00

新基准揭示了高级人工智能数学证明评估中的偏见和推理差距

引入了一个名为 QEDBench 的新基准，用于评估大学数学证明自动评估中的对齐差距。该基准显示，包括 Claude Opus 4.5、DeepSeek-V3、Qwen 2.5 Max 和 Llama 4 Maverick 在内的几个人工智能大型语言模型在其评分中表现出积极偏见。此外，研究强调了 GPT-5 Pro 和 Claude Sonnet 4.5 等模型在离散数学领域性能显著下降，尽管 Gemini 3.0 Pro 取得了最先进的成果。