adversarial-hardening

LLMEval-Logic 是一个新的中文基准，专门评估大语言模型的逻辑推理能力，具有求解器验证的答案和对抗性加固。该基准揭示了当前模型的显著差距，最佳模型在困难项目上仅达到37.5%的准确率。