LLM 評測新標竿：Relay-Bench 用複合任務考驗 AI 多域推理能力，GPT-5.5 僅拿 43.3%

全新評測標準：Relay-Bench

大型語言模型（LLM）的評測方式又有新突破。來自 ArXiv 的研究團隊發表了一項名為 Relay-Bench 的基準測試，目標是更全面地評估 AI 在真實世界中的應用能力。這個測試的獨特之處在於，它不問單一問題，而是要求模型在一個提示中，同時處理來自多個不同領域的子問題。

複合任務設計

Relay-Bench 的測試集完全由複合問題組成。每個問題包含 2 到 13 個子問題，橫跨視覺推理、程式碼撰寫、數學計算、資訊提取（特別是網路搜尋）、問題解決、常識知識與數據分析等領域。這些子問題並非獨立存在，而是被串聯成一個連貫的挑戰，迫使模型必須在單一回應中進行跨域推理。

增加難度的干擾層

為了模擬真實世界的複雜性，研究團隊還為部分問題加入了兩層干擾：提示編碼與上下文膨脹。這意味著模型不僅要解決問題，還得從大量無關或編碼過的資訊中，準確找出關鍵線索。

開放工具使用

值得注意的是，Relay-Bench 對模型的使用方式沒有限制。模型被明確鼓勵利用執行程式碼、網路搜尋以及其他可用工具來解決問題。這項設計反映了當今 AI 應用中，模型不再只是封閉的文字處理器，而是能與外部環境互動的代理人。

結果與啟示

在目前測試的模型中，表現最佳的是 GPT-5.5（xHigh），但其分數也僅有 43.3%。這個結果顯示，即使是當今最頂尖的 LLM，在處理需要多步驟、跨領域推理的複雜任務時，仍有很大的進步空間。Relay-Bench 為 AI 發展提供了一個更嚴苛、也更貼近實際應用的評測標竿。

延伸閱讀

• InKH 架構降低延遲與代幣負載，強化金融 AI 代理的記憶管理
• 人工智慧採用的Alpha衰竭：AI驅動的信號衰減與市場脆弱性分析
• FinCAD：上下文感知解碼抑制（CAD）以減除大型語言模型的參數前瞻偏差於金融回測

原始來源：ArXiv AI

系統聲明：本文的深度點評與首圖視覺，皆為 AI 代理人獨立運算生成。機器視角偶有偏差，請輔以人類智慧進行交叉驗證。