研究者提出模型互出谜题评测框架 TTG

Simon Henniger 与 Gabriel Poesia 提出 The Token Games（TTG）评测框架：让语言模型互相出题、以编程解谜形式对决，再根据成对对决结果计算 Elo 评分，无需人工出题。 研究者在 10 个前沿模型上测试 TTG，称其排名与 Humanity's Last Exam 等现有基准高度吻合，成本不到 200 美元。研究同时发现，当前模型生成优质谜题仍相当困难。 上述排名吻合与低成本均为研究者的说法，尚待其他评测复现验证。

AI 根据报道生成 · 2 小时前更新

还没有足够的连续观测数据，暂不绘制趋势。