发布ChaosBench-Logic v2基准与CARE评估协议
热点事件观察中
发布ChaosBench-Logic v2基准与CARE评估协议
1 篇报道1 个报道来源1 天前更新
先了解这件事
AI 综述
论文作者发布ChaosBench-Logic v2，一个覆盖165个动力系统、包含40,886道逻辑推理题的基准，配有27个FOL谓词和78条公理边，并提出CARE（校准与对抗鲁棒评估）协议，用于暴露LLM的先验坍缩、改写不一致和参数依赖动力学推理失效。 对14个模型的评估显示：前沿模型的regime-transition（状态转变）推理仍接近随机（MCC = 0.05）；开源的Qwen 2.5-32B在指标诊断上领先（0.91 对 0.45）；两个模型在分岔问题上MCC为负，经混淆矩阵分析确认为系统性反相关。
AI 根据报道生成 · 1 天前更新
最新进展10月16日 12:00
ChaosBench-Logic v2：大规模评估LLM在动力系统上的逻辑推理报道时间线
沿着报道，了解事件的不同侧面。
10月16日
- arXiv · cs.AIChaosBench-Logic v2：大规模评估LLM在动力系统上的逻辑推理
ChaosBench-Logic v2提出包含165个动力系统、40,886道问题的逻辑推理基准，并配套CARE（Calibration- and Adversarial-Robust Evaluation）协议，用于暴露先验坍缩、改写不一致和参数依赖动力学推理失效。
本事件热度走势
- 可比范围当前
- 4
- 可比范围峰值
- 910月16日 14:00
- 近 24 小时变化
- -51%
02.557.510
18:0010月17日06:0012:00
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。