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
- Nature 新研究实现全身器官细胞活动成像,揭示跨器官体级回路 — arjunrajlab · 2026-09-11
- SignNet 1M 手语数据集发布 — ducha_aiki · 2026-09-11
- ECCV26 口头论文：流匹配实现多视角点云配准 — ducha_aiki · 2026-09-11
- InFlux++ 方法发布 — ducha_aiki · 2026-09-11
- Skyfall GS 登场:用 Flux 提升 Gaussian Splatting 精修质量 — ducha_aiki · 2026-09-11
- 一万个智能体能否突破反向传播,找到更好的学习算法 — SeunghyunSEO7 · 2026-09-11