LALA 基准：236 道人文学科题显示后训练越多模型未必越聪明

JasonBotterill · x · 2026-10-28

新发布的 Literature and Linguistics Analysis Benchmark（LALA）由顶尖大学教授与专家撰写 236 道开放式语言学、逻辑与文学题，测试 LLM 分析句子与文本时是否接近人类语言能力。其最核心发现是：语言能力不是累积可加的——有时更多后训练反而让模型变笨，作者据此认为从 LLM 出发难以实现通用智能，更遑论超级智能。配图 Sol Assessment 榜单显示，Claude Fable 5 以 62.0% 居首，GPT-5.6 Sol 56.0%、Gemini 3.1 Pro Preview 52.9% 次之，开源侧 Gemma 4 31B 达 41.6%，DeepSeek R1 38.1%，多个 base 模型仅 7-8%。该基准同时自称对 LLM 评测方法学有多项贡献。