Ai2测试前沿模型长数学题准确率骤降

事件综述根据 1 篇报道整理，11月4日更新

Ai2 公布了对开放预训练模型和前沿模型的数学问题测试结果，测试对象包括 Gemini 3.8 Flash、Claude Opus 5.5，以及 GPT-6 Sol 和 Luna。Ai2 称，这些前沿模型在较简单的问题上表现良好，但随着任务变难、输入变长，准确率急剧下降，在最长的通用有限问题上降至 13% 或更低。 上述结果来自 Ai2 自行公布的测试，未说明样本规模与具体评测方法。

综述由模型根据报道生成，细节以各篇原文为准。