arXiv 机器学习· Rodney Lafuente-Mercado, Robert Sincero, Phil Sage, Yuan Xue·· 8 小时前AI 评分41
MA-Bench：评估语言模型作战筹划能力的评测基准
MA-Bench: Measuring Operational Planning in Language Models
AI 导读
研究者推出基于军事作战筹划首步任务分析构建的评测基准 MA-Bench，包含 10 个专家构建场景与 1,257 条及格/不及格判定标准，用于评估大语言模型处理不完整且存在矛盾文档并制定规划的能力。
来源：arXiv 机器学习 · arxiv.org