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
- 3×3 框架梳理自我进化智能体与递归改进 — ChengleiSi · 2026-07-23
- Canvas-to-Image 把身份、姿态和框统一到一张画布 — CSProfKGD · 2026-07-23
- NeuroAI 文章谈 developmental alignment 与任务复杂度 — dyamins · 2026-07-23
- 一篇 2019 年论文：用五项原则讨论 AI 如何进入社会 — ArtificialOther · 2026-07-23
- 写作指纹分析称 Kimi K3 与 Fable 5 过于相似 — alex_verem · 2026-07-23
- MCP 工具调用底层机制深度解析 — jeffiql · 2026-07-23