Meta 新基准 GAMUT 专测长答案遗漏，最好模型仅 58.7%
rohanpaul_ai · x · 2026-07-24
Meta 提出 GAMUT：把“漏答了什么”也纳入事实性评估
这篇 Meta 新论文的核心观点是：事实性不只是“别说错”，还要“把该说的说全”。长答案里真正难测的，往往不是错误，而是遗漏。
- GAMUT 用的是一个两层 meta-rubric 评估框架。
- 第一层先把答案应包含的内容结构化：必需事实、可接受选项、步骤顺序、关系以及重要性。
- 第二层再把这些结构转成可由 LLM judge 评分的机器可判定规则。
- 基准包含 1,813 个问题，来源于 10 个领域 的真实可穿戴图像场景。
- 在 14 个前沿与开源模型上，最高分也只有 58.7%；而导致失败的主要原因不是胡说，而是信息缺失。
- 论文还表示该框架是模态无关的，并提供了 text-only 版本。
「研究」频道最新
- 剑桥等机构论文揭露图软提示的 token collapse 病态行为 — Sapienza · 2026-10-27
- Mathathon 2.0 启动：与陶哲轩 SAIR 合作，团队获 150 万美元算力 — _sathvikr · 2026-10-27
- 推友提出「甜课程」真实存在：两类 ML 问题应分而治之 — mike64_t · 2026-10-27
- PixGR：像素空间生成式解码加速前馈 3D 高斯重建 — kwangmoo_yi · 2026-10-27
- UniAction 统一动作条件框架:单一世界模型驱动多种动作类型 — ZeYanjie · 2026-10-27
- Infini-AI Lab 开源 Hermit:让 agent 从经验中进化出好习惯 — BeidiChen · 2026-10-27