大模型评测困境，从数学难题到智能体绕过，衡量标准何去何从 随着大模型能力的提升，传统评测基准因基准污染、题目缺陷以及智能体绕过机制而失效。数学难题曾被视为理想的新赛场，但其验证依赖专家且资源稀缺。业界正探索动态题库、真... 2026年09月16日 人工智能 #大模型 #陶哲轩
