标签
ModelEquivBench 是一个面向 LLM 生成优化模型的认证式多关系评估系统，报告逐对语义概况（涵盖七种等价关系），而非单一的准确率分数。它在固定基准上评估了 GPT-5.4、Claude Sonnet 4.6 和 Qwen3.5-397B-A17B，揭示了粗粒度基线无法发现的阶段式失败。