六项评测已更新:查看评分依据 →

评测详情 · 推理能力

Puzzle Benchmark

用 709 道人工编写的难题检验推理能力,按留存答案精确判分。

检验什么
709 道人工编写的高难度题目
如何评分
留存答案精确判分
结果
0 / 400 次取巧尝试通过
领域
推理能力
适用方向
前沿模型推理评测
获取方式
按需申请

评分依据

精确答案

人工编写的难题使用留存答案判分,减少记忆公开题目的影响。

具体检验

经对抗测试的难题

  • 题目由人编写,答案留存,重点检验解题能力,而非对公开题库的记忆。
  • 通过精确答案评分;针对评分机制进行的 400 次取巧尝试均未通过。
  • 奖励为二值结果,可在本地快速计算;无需使用模型裁判。

参与设计的专家

领域专家帮助定义任务要求与有效结果。

用 Puzzle Benchmark 检验你的模型。