IXThinker·2025-07-21 13:492500題跨學科基準測試大模型極限
大語言模型能力飛躍，但現行熱門基準難度不足，前沿模型得分趨同，令評估準確性受限。AI安全中心與Scale AI聯合發布多模態基準數據集Humanity's Last Exam，收錄2500道跨學科難題，構建更精準的大模型評估體系。
熱門基準失準現象
大語言模型已能勝任解答問題、內容創作等多樣化任務，但熱門基準在難度設計上存在欠缺，前沿模型在多項評估中均取得相近且較高的評分，令能力衡量失準，也模糊了模型的提升空間。
IXThinker 會員內容
呢篇係 Archive 內容。登入即可解鎖全文，仲有成個 15,000+ 篇、每日更新嘅 AI 動態資料庫。
免費登入／註冊解鎖全文 →Google 或電郵地址即可，即刻解鎖。