速報
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%
來自 ArXiv 的研究團隊發表了一項名為 Relay-Bench 的全新大型語言模型評測基準，旨在填補現有測試的不足。與傳統單一領域的評測不同，Relay-Bench 完全由複合問題組成，每個問題包含 2 到 13 個來自不同領域的子問題，例如視覺推理、程式碼撰寫、數學計算、資訊提取、問題解決、常識知識與數據分析。
速報
來自 ArXiv 的研究團隊發表了一項名為 Relay-Bench 的全新大型語言模型評測基準，旨在填補現有測試的不足。與傳統單一領域的評測不同，Relay-Bench 完全由複合問題組成，每個問題包含 2 到 13 個來自不同領域的子問題，例如視覺推理、程式碼撰寫、數學計算、資訊提取、問題解決、常識知識與數據分析。
深度分析
研究針對多模態在政策蒸餾中教師特權的列舉問題，提出以視覺提示取代答案特權的ViCuR框架，並加入輕量化提示回收模組，使學生能自行恢復相關證據。實驗顯示在七項基準上平均提升逾一分，顯示視覺特權設計與教師強度同等重要。此改進對未來多模態AI系統的可靠性與可解釋性具正向貢獻。