热点事件持续更新

MA-Bench 发布：评测语言模型作战规划能力

1 篇报道1 个报道来源4 小时前更新

先了解这件事

AI 综述

研究者发布 MA-Bench，用于评测语言模型在军事作战规划第一步“任务分析”中的表现。该基准由 10 个专家构建场景、10 至 12 份文档和 1,257 条专家编写的通过/失败要求组成，考察模型在无唯一正确答案下生成规划简报的能力。在 20 个前沿与开源权重模型中，最佳成绩仅答对 62% 的评分项。模型在文档明述事实上表现最强（58%），在需要推断的判断上最弱（33%），六成失败属于遗漏而非错误。数据集、评分器及全部评分简报已公开。

AI 根据报道生成 · 3 小时前更新

最新进展10月15日 12:00

MA-Bench：衡量语言模型的作战规划能力

报道时间线

沿着报道，了解事件的不同侧面。

10月15日

12:00
arXiv cs.CL
MA-Bench：衡量语言模型的作战规划能力
研究者推出 MA-Bench，基于军事作战规划第一步"任务分析"，用 10 个专家构建场景、10 至 12 份文档和 1,257 条专家编写的通过/失败要求，评测语言模型在无唯一正确答案下生成规划简报的能力。20 个前沿与开源权重模型中最佳仅答对 62% 的评分项，模型在文档明述事实上最强（58%），在需推断的判断上最弱（33%），六成失败属于遗漏而非错误。数据集、评分器及全部评分简报已公开。

本事件热度走势

可比范围当前: 9
可比范围峰值: 1010月15日 13:00
近 24 小时变化: –

趋势仅比较持续完整观测到的相同主体，范围可能小于当前热度统计。移动指针或点击图表查看每小时热度；键盘可用左右方向键切换。