谷歌发布BIG-Bench超难基准：DeepSeek-R1得分6.8，只有o3-mini超过10分

文章预览

机器之心报道 编辑：Panda 随着 AI 能力的提升，一个常见的话题便是基准不够用了——一个新出现的基准用不了多久时间就会饱和，比如 Replit CEO Amjad Masad 就预计 2023 年 10 月提出的编程基准 SWE-bench 将在 2027 年饱和。 也因此，为了更加准确地评估 AI 模型的能力，不断有研究团队构建出新的数据集和基准，比如我们前段时间报道过的 ZeroBench 和 HLE（人类的最后考试） ，它们都带有大量当前的 AI 模型难以解决的难题。 近日，谷歌也发布了一个高难度基准：BIG-Bench Extra Hard，简称 BBEH。从名字也能看出来，这个基准非常难（Extra Hard）并且与久负盛名的 BIG-Bench 和 BIG-Bench Hard（BBH）关系密切。 论文标题：BIG-Bench Extra Hard 论文地址：https://arxiv.org/pdf/2502.19187 数据地址：https://github.com/google-deepmind/bbeh 正如其论文一作  Mehran Kazemi 指出的那样，相比于 BIG-Bench ………………………………