gsm8k

基准分析

GSM8K 本应测试小学数学水平，但高达42%的题目存在问题

GSM8K 已成为评估大语言模型算术推理能力的标准测试，但审计发现其题库中的错误率高达42%，这动摇了其分数实际衡量内容的有效性。

2026-07-29