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
- 新论文:数学数据放训练前段还是末段,取决于学习率调度 — alifcoder · 2026-10-27
- 医疗评测：Kimi K3 平 GPT-6，但疑难病例开源落后 17 个百分点 — keunwoochoi · 2026-10-27
- 数据课程与学习率调度应协同设计：数学数据放置策略随 LR 翻转 — CatAstro_Piyush · 2026-10-27
- 健康专项榜单洗牌：综合第 9 的开源模型跃居 Health Index 第一 — keunwoochoi · 2026-10-27
- 开源编译器 Latch 从 PyTorch 生成训练 megakernel，H100 上提速 2.75 倍 — sguada · 2026-10-27
- Goodfire 投入 1000 万美元启动 AI 版「人类基因组计划」破解可解释性 — CatAstro_Piyush · 2026-10-27