DiG-bench基准测试:前沿大模型仍被简单文本探索题难倒
jcrwhittington · x · 2026-08-12
研究团队发布了 DiG-bench，这是一个包含 70 个纯文本交互游戏的全新基准测试，旨在评估大语言模型的科学发现与规则探索能力。
测试结果表明，尽管前沿模型的能力在过去几个月有显著提升，但面对一些极其简单的文本探索问题时依然会卡壳。在原生文本领域，模型的探索能力仍有很大瓶颈。
所属事件:DiG-bench：70个文本游戏测出前沿AI发现短板(14 条相关)→
「研究」频道最新
- Lean v4.35.0 自带四个已验证内核，其中之一由 Claude 写成并自证一致 — geoffreyirving · 2026-10-16
- MP-Bench：语音 Agent 群聊插话判断仅与抛硬币相当 — solyarisoftware · 2026-10-16
- 对 Qwen3-8B 做神经元级 GWAS+PheWAS，定位安全相关神经元 — Sauers_ · 2026-10-16
- 770B 参数压进 214GiB：腾讯混元量化团队拆解 Hy4 Preview 压缩术 — coolmum18 · 2026-10-16
- 200 局国际象棋实测：作者认为上下文学习目前并不奏效 — akbirthko · 2026-10-16
- LARK-Lab 提出 Mosaic：跨会话的 Agentic 强化学习新范式 — LARK-Lab · 2026-10-16