Reddit · mauricekleine / reddit ·
Nonobench:在数独式 Nonogram 谜题上评测 49 个 LLM 的开源基准
为什么值得读: 开源评测基准对模型能力评估有参考价值,但任务域偏玩具化,与实际工程部署弱相关,给中等分。
AI 摘要
作者发布 Nonobench,一个完全开源公开的基准,用 Nonogram(数织)谜题测试 49 个 LLM 的推理与规划能力,并公布结果与代码。
相关事件与更多上下文见编辑部与归档页。