摘要
针对大语言模型基准饱和现状，本文提出“接地整合度量”（GIM）基准，包含 820 个原创问题。其难度源于需协调多种认知操作（如约束满足、状态追踪）而非单纯知识记忆或抽象推理。研究利用项目反应理论校准了超过 20 万组数据，构建了涵盖 22 个模型的排行榜，并深入分析了测试时计算量与模型能力的权衡关系，发现配置选择对性能影响显著。
AI 推荐理由
论文核心是评估多认知域整合的推理能力，虽非提出新推理算法，但深度聚焦推理评估。
研究机构
Meta Superintelligence Labs
论文信息