arXiv · AI· Suhaas Garre, Sushant Mehta, Edwin Chen·· 4 天前AI 评分53
GDP.xlsx:评估前沿模型处理专业电子表格任务的基准
GDP.xlsx: Benchmarking Frontier Models on Professional Workbooks
AI 导读
研究团队发布GDP.xlsx基准测试,包含13个领域由专业人士撰写的70个真实职场任务及791项评估标准,用于衡量模型在专业电子表格处理上的能力。测试显示,20种模型配置中得分最高的Gemini 4 Argon仅通过38.3%的任务,中位得分仅为19.3%。研究团队已开放评估框架和3个公开任务,其余任务保留以防污染。
来源:arXiv · AI · arxiv.org