跳到正文
arXiv · ML· Pablo Manrique, Hai Xia, Stefan Szeider·· 2026-10-12AI 评分44

SqueezeBench:面向数学能力评估的抗饱和基准

SqueezeBench: Saturation-Resilient Evaluation of Mathematical Capability

AI 导读

研究者提出 SqueezeBench,一种通过不断抬高上下界记录来抵抗饱和的数学评估基准,并发布了来自极值组合学的 10 个问题。 该基准利用 Lean 核进行机器证明验证,基线测试中,基于前沿语言模型的智能体在每次记录不超过 1 小时的情况下,共接受了 82 次提交并改进了所有记录,后续新模型进一步改进了其中 19 项。

来源:arXiv · ML · arxiv.org