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。
