大型语言模型的心理测量辅助基准测试：数学能力的案例研究

BriefGPT - AI 论文速递 · 2024-04-02T00:00:00Z

SciBench是一个用于测试大型语言模型（LLM）推理能力的基准套件。研究结果显示，LLM在解决复杂科学问题时表现不佳，综合得分仅为35.80%。通过用户研究，发现LLM存在十种问题解决能力方面的错误。预计SciBench将推动LLM的推理能力进一步发展，促进科学研究和发现。