Meta 的 GAMUT 评测长答案是否完整，而不只是正确
facebook · hf · 2026-07-22
Meta 发布 GAMUT，一个面向开放式长文本生成的“事实完整性” benchmark，核心是一个两层 meta-rubric 评估框架。
为什么重要
- 以往事实性评测大多只看 precision，也就是模型说的话对不对。
- GAMUT 关注另一半：回答是否把该包含的信息都包含了。
- 它把结构化的 meta-rubric 编译成一组可机器判定的二元检查项，便于自动评测。
数据集与评测
- 数据集包含 1,813 个问题，基于真实可穿戴设备图像，覆盖 10 个领域。
- 每个问题都配有经过专家验证的 evidence-backed rubric。
- 由于框架与模态无关，团队还放出了纯文本版本。
结果
- 评测了 14 个前沿和开权重模型。
- 论文称这个 benchmark 具有挑战性且区分度高，最好成绩是 Gemini 3.1 Pro 的 58.7%。
所属事件:Meta 发布 GAMUT 基准评估生成长文本完整性(2 条相关)→
「研究」频道最新
- Infini-AI Lab 开源 Hermit:让 agent 从经验中进化出好习惯 — BeidiChen · 2026-10-27
- Meta FAIR 提出 Self-Direction:把 agent 失败变成 LoRA 技能,成功率提 13.8pp — karen_ullrich · 2026-10-27
- DONIC 双手机器人追踪成功率 86.79%，远超此前 SOTA 的 9.43% — liuziwei7 · 2026-10-27
- 为什么没有更多 10M 上下文模型?研究者抛出注意力机制疑问 — agarwl_ · 2026-10-27
- 研究者吐槽:论文里 PSNR 低于 15dB 基本是用错了指标 — kwangmoo_yi · 2026-10-27
- Ortet 首批医疗评测:34 个开源模型 50 项任务,通用排名不够用 — thegautamkamath · 2026-10-27