计算机科学 > 计算与语言
[提交于 2025年9月23日
]
标题: EEFSUVA:一个新的数学奥林匹克基准
标题: EEFSUVA: A New Mathematical Olympiad Benchmark
摘要: 最近的突破引发了这样的说法,即大型语言模型(LLMs)在数学基准测试中达到了金牌奥林匹克竞赛到研究生水平的熟练程度。 在本工作中,我们详细检查了这些说法,并评估了当前基准测试在多大程度上能够捕捉真正的LLM数学推理能力。 这些基准测试的组成主要来自于国际数学奥林匹克竞赛(IMO)及相关竞赛,由于潜在的数据污染和对熟悉题型的狭窄关注,可能会高估模型的推理能力。 为了实现对数学理解更全面的评估,我们引入了EEFSUVA,这是一个从东欧和前苏联国家的区域和国家级奥林匹克竞赛中精心挑选的新基准。 这些比赛的问题难度与IMO相当,并以要求非标准解题技巧而闻名,但它们的问题在在线语料库中却远不如其他常见。 初步结果表明,即使是最先进的LLM在EEFSUVA上的表现也相对于其他奥林匹克风格的基准有显著下降。 这些发现还表明,更广泛的评估数据集对于更全面地评估数学推理和指导未来模型开发可能具有重要意义。
文献和引用工具
与本文相关的代码,数据和媒体
alphaXiv (什么是 alphaXiv?)
CatalyzeX 代码查找器 (什么是 CatalyzeX?)
DagsHub (什么是 DagsHub?)
Gotit.pub (什么是 GotitPub?)
Hugging Face (什么是 Huggingface?)
带有代码的论文 (什么是带有代码的论文?)
ScienceCast (什么是 ScienceCast?)
演示
推荐器和搜索工具
arXivLabs:与社区合作伙伴的实验项目
arXivLabs 是一个框架,允许合作伙伴直接在我们的网站上开发和分享新的 arXiv 特性。
与 arXivLabs 合作的个人和组织都接受了我们的价值观,即开放、社区、卓越和用户数据隐私。arXiv 承诺这些价值观,并且只与遵守这些价值观的合作伙伴合作。
有一个为 arXiv 社区增加价值的项目想法吗? 了解更多关于 arXivLabs 的信息.