StressEval：面向大语言模型知识密集型推理的故障驱动动态基准测试

针对静态基准易受数据污染和过拟合影响，而现有动态基准往往牺牲可答性与可控性的问题，本文提出 StressEval。这是一种故障驱动的数据合成框架，能将观察到的模型失败转化为具有挑战性且可控的动态测试实例。该方法包含三个阶段：构建识别推理失败根源的难度卡片、应用针对知识缺口与推理崩溃的双视角实例合成、以及通过门控机制保留有依据的明确实例。基于此构建的 Dynamic OneEval 基准在多个主流大模型上引发了显著的性能下降，同时保留了明确的难度因素，支持更具操作性的迭代优化。