REALIZE-L3 HSR

新的 SERIAL-7 基准测试 LLM 结构化输出验证

引入了一个名为 SERIAL-7 的新基准，用于评估大型语言模型在七种不同表示形式下的机器可验证输出。该基准使用 177 个已验证的工件开发，侧重于三个关键方面：语义正确性的推导、工件的约束生成以及这些工件在不同表示形式下的保留。对十个模型的测试显示，它们实现完全合规的能力差异很大，突显了在结构化生成任务中明确、可执行的验证的必要性。