基准
Reasoning Gym
一个用于评估语言模型推理能力的基准测试集,包含逻辑和游戏等任务。
时间轴 (近 90 天)
11月2日
在Reasoning Gym基准上,使用Gemma-3-4B模型,CRoS在五个未见过的逻辑和游戏数据集上达到了46.8%的准确率,超过了最强基线(43.8%)。
待验证50%
一个用于评估语言模型推理能力的基准测试集,包含逻辑和游戏等任务。
在Reasoning Gym基准上,使用Gemma-3-4B模型,CRoS在五个未见过的逻辑和游戏数据集上达到了46.8%的准确率,超过了最强基线(43.8%)。