热点事件持续更新

P2NPCBench 评测显示模型在 NP 问题上表现受限

1 篇报道1 个报道来源16 小时前更新

先了解这件事

AI 综述

arXiv 论文 2610.30103 发布基准 P2NPCBench，对 12 个专有与开源模型进行评测。该基准通过对抗性多智能体改写测试大模型在 P 类与 NP 完备问题上的表现。评测结果显示，在对抗重写后的 NP 完备问题上，所有模型得分均低于其 P 类孪生问题，通过率分别为 35.4% 对比 63.8%。95.1% 的模型族对均在 NP 侧失败更多，显示模型在处理 NP 类问题上存在显著短板。研究发现，将时间限制提高十倍仅使 NP 完备问题准确率从 28.5% 提升至 31.9%。此外，问题强化（Hardening）使类间差距从 24.8 分缩小至 14.6 分，表明模型在处理复杂逻辑约束时仍面临挑战。

AI 根据报道生成 · 11 小时前更新

最新进展10月22日 12:00

P2NPCBench：通过对抗多智能体重写测试 LLM 在配对 P 与 NP 完备问题上的表现

报道时间线

沿着报道，了解事件的不同侧面。

10月22日

12:00
arXiv · NLP
P2NPCBench：通过对抗多智能体重写测试 LLM 在配对 P 与 NP 完备问题上的表现
P2NPCBench 基准测试显示，在对抗重写后的 NP 完备问题上，所有模型得分均低于其 P 类孪生问题（35.4% 对比 63.8% 通过率），95.1% 的模型族对均在 NP 侧失败更多。

本事件热度走势

可比范围当前: 7
可比范围峰值: 910月22日 17:00
近 24 小时变化: –

趋势仅比较持续完整观测到的相同主体，范围可能小于当前热度统计。移动指针或点击图表查看每小时热度；键盘可用左右方向键切换。