SkillsBench 的 Skill 增益主要来自题面没有写出的评分规则
约 79% 的增益来自隐藏评分规则和现成的解题脚本。
约 79% 的增益来自隐藏评分规则和现成的解题脚本。
113 道题:41 道 Accepted、15 道 Doubtful、57 道 Refused。
局部任务上的高分,不能代表整个科学领域的能力。
评分规则、参考结论和评审方式,会影响 27.4% 这一最高分的含义。
抽查 100 道任务,其中 20 道 Accepted、9 道 Doubtful、71 道 Refused。
抽查 100 道题,其中 98 道 Accepted、1 道 Doubtful、1 道 Refused。
抽查 100 道题,其中 87 道 Accepted、8 道 Doubtful、5 道 Refused。
66 道题:10 道 Accepted、6 道 Doubtful、50 道 Refused。
70 道科学任务:31 道 Accepted、5 道 Doubtful、34 道 Refused。
抽查 100 道题:19 道 Accepted、10 道 Doubtful、71 道 Refused。
100 道题:40 道 Accepted、13 道 Doubtful、47 道 Refused。