evidence-trails

WildTrace 是一个包含 481 个任务的基准测试，利用来自技术报告和叙事等长文档中的自然出现的证据轨迹。它评估了 18 个前沿系统，并表明即使是最好的系统（75.3%）在反事实分支和因果归因等推理密集型几何结构中仍存在困难。