arXiv · cs.AI· Mayank Kulkarni, Rakesh Vaideeswaran·· 5 小时前
ListQA：评估大语言模型列表格式事实知识检索的基准
ListQA: A Benchmark for Evaluating List-Formatted Factual Knowledge Retrieval in Large Language Models
arXiv:2610.19165v1阅读论文 PDF ↗
仅依据论文摘要整理；未读取全文，实验条件、证明与基准细节请核对原文。
作者：Mayank Kulkarni, Rakesh Vaideeswaran
研究任务与主要进展
作者发布ListQA基准，包含9045个经人工整理和交叉校验的问题，要求大语言模型检索多个事实并组织成包含3—10个元素的结构化列表。基于论文摘要，对34个模型、42种配置的评测显示，最佳标准推理模型的LLM-Judge-F1低于37%，多维度问题更难；提供Wikipedia来源页面后得分显著提升，论文同时发布了数据集和评估代码。
阶段、条件与复现 · 深读核对
- 新能力对应什么具体任务与最小输入输出？
- 代码、模型、数据、许可与可用入口是否明确？
- 效果、总成本、失效条件与实际工作流如何验证？
这些是阅读核对问题；材料未说明的条件保留未知。请结合上方论文版本、资料范围与原文核验。
来源：arXiv · cs.AI · arxiv.org