chinese-benchmark

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。

研究者发布 HoWToBench，一个涵盖 12 种文体、1302 条指令的大规模中文写作基准；同时提出 Tree-of-Writing（ToW）树状评估法，与人工评分的 Pearson 相关系数达 0.93，显著降低 LLM 写作评估中的偏差。