标签
Scale AI 与 Data Machines 推出 MA-Bench 基准，通过军事任务分析场景评估语言模型在不完整、矛盾信息下的操作规划判断能力；20 个前沿模型中最佳仅答对 62% 的评分项，最弱环节是需要推断的判断。
MA-Bench 是首个评估大语言模型任务分析（即军事作战筹划）能力的基准：将不完整且相互矛盾的文档材料转化为结构化方案，并依据 1,257 条专家撰写的评分标准进行评判。