基准
tw-formosa-bench
由社区语料生成、聚焦当代台湾日常生活的难度分级评测基准，题目经冻结模型池筛选控制难度窗口
时间轴 (近 90 天)
10月15日
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。
待验证50%
10月15日
tw-formosa-bench 由社区整理的语料生成，包含 1,696 道关于当代台湾日常生活的难度分级题目，且任何模型都不参与撰写标准答案。
待验证50%
10月15日
tw-formosa-bench 的题目集针对一个冻结的七模型池进行筛选，使其得分被控制在及格边缘（46.9%–74.6%，中位数约 54%）。
待验证50%
10月15日
在 tw-formosa-bench 发布后六周内，前沿模型就突破了其校准的难度窗口；公共榜单上 108 个模型中 22 个超过该基准的上限，最好达到 91.6%。
待验证50%
全部知识事实 (4)
待验证
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tw-formosa-bench 由社区整理的语料生成，包含 1,696 道关于当代台湾日常生活的难度分级题目，且任何模型都不参与撰写标准答案。
50%待验证tw-formosa-bench 的题目集针对一个冻结的七模型池进行筛选，使其得分被控制在及格边缘（46.9%–74.6%，中位数约 54%）。
50%待验证在 tw-formosa-bench 发布后六周内，前沿模型就突破了其校准的难度窗口；公共榜单上 108 个模型中 22 个超过该基准的上限，最好达到 91.6%。
50%