$\forall$uto$\exists$$\lor\!\land$L：大规模语言模型在真值维护和推理任务中的自主评估

本研究提出了$\forall$uto$\exists$$\lor\!\land$L，一个用于大规模评估大型语言模型（LLM）在正式任务中的新基准，解决了缺乏明确正确性评估标准的问题。该方法的创新之处在于通过自动生成不同难度的任务和真实数据来实现无人工标注的客观评估。实证分析表明，该基准的表现能够高度指示LLM在其他翻译和推理任务基准上的表现，具有重要影响。