标签
本文介绍了 EuroExec，这是一个用于评估前沿大语言模型在开放式欧洲高管决策任务上表现的人类专家基准。研究发现，最强的模型仅能解决 56.9% 的任务，远低于专家撰写的参考答案，凸显了现实世界开放式问题解决能力的差距。