OpenTWBench
面向台湾知识与日常生活的开放评测套件，包含学术考试基准 tw-exam-bench 与当代生活基准 tw-formosa-bench，重点量化评测装置对模型得分的影响
时间轴 (近 90 天)
OpenTWBench 是一个开放评测套件，围绕 tw-exam-bench 和 tw-formosa-bench 两个基准构建。
在相同题目上，仅将答案抽取方式从模式匹配改为显式的 \boxed{} 格式，准确率从 20.8% 提升到 93.9%。
仅系统提示中加入一个占位字符，就能让某个模型在同一基准上从最后一名（58.2%）跃升至第一名（83.9%）。
把思考 token 预算从 8k 翻倍到 16k，只带来 0.2% 的准确率提升，同时改变了失败题目的分布。
一个由三名评审组成的验证小组被发现实质上是'一名评审的伪装'：其中两名成员对展示内容批准了 92%–99%。
OpenTWBench 团队释放了全部数据集、逐题难度数据、筛选清单，以及一个公开榜单（https://opentwbench.ai）。
全部知识事实 (6)
OpenTWBench 是一个开放评测套件，围绕 tw-exam-bench 和 tw-formosa-bench 两个基准构建。
50%待验证在相同题目上，仅将答案抽取方式从模式匹配改为显式的 \boxed{} 格式，准确率从 20.8% 提升到 93.9%。
50%待验证仅系统提示中加入一个占位字符，就能让某个模型在同一基准上从最后一名（58.2%）跃升至第一名（83.9%）。
50%待验证把思考 token 预算从 8k 翻倍到 16k，只带来 0.2% 的准确率提升，同时改变了失败题目的分布。
50%待验证一个由三名评审组成的验证小组被发现实质上是'一名评审的伪装'：其中两名成员对展示内容批准了 92%–99%。
50%待验证OpenTWBench 团队释放了全部数据集、逐题难度数据、筛选清单，以及一个公开榜单（https://opentwbench.ai）。
50%