工作耗時半年，近百位學界、業界專家參與標注

原標題：DeepSeek-R1、o1都在及格線掙扎！字節開源全新知識推理測評集，覆蓋285個學科
文章來源：量子位
內容字數：6044字

字節跳動開源SuperGPQA：大模型評測的“黃岡密卷”

近年來，大模型評測基準逐漸同質化，難以準確評估模型真實能力。針對這一問題，字節跳動豆包大模型團隊聯合M-A-P開源社區，推出全新評測基準SuperGPQA，旨在更全面、更精準地評估大模型的知識推理能力。這篇文章將總結SuperGPQA的主要特點和貢獻。

1. 傳統評測基準的局限性

傳統的評測基準如MMLU和GPQA存在三大痛點：學科覆蓋不全，僅涵蓋少量主流學科，缺乏對長尾知識的評估；題目質量存疑，存在數據污染風險，難以反映模型的真實學術水平；評測維度單一，主要停留在知識記憶層面，缺乏對高階推理能力的考量。頂級模型在這些基準上的高分，并不能真實反映其在復雜場景下的能力。

2. SuperGPQA：更全面、更具挑戰性的評測基準

SuperGPQA旨在解決上述問題，其主要特點包括：

1. 全學科覆蓋：SuperGPQA覆蓋285個研究生級學科，包含26529道專業題目，遠超現有基準，實現了前所未有的學科全面性。

2. 難度分布多樣：題目難度均衡分布，在工程和科學領域包含大量難題，確保對模型高階推理能力的有效評估。

3. 語義結構豐富：題目語義結構多樣，不同學科的語言特色鮮明，能夠更有效地區分不同模型的性能。

4. 題目設計一致：題目長度和選項長度統一，迷惑性和挑戰性高，確保評測的公平性和可靠性。

5. 嚴格的質量控制：SuperGPQA采用專家標注、眾包注釋和大模型協同驗證三重流程，確保題目質量和區分度，避免數據污染。

3. SuperGPQA的實驗結果與結論

SuperGPQA對多個主流LLM進行了測試，結果顯示：

1. 推理模型表現最佳，DeepSeek-R1以61.82%的準確率登頂，但仍顯著低于人類研究生水平。

2. 指令微調顯著提升模型性能。

3. 國內模型展現出競爭力，豆包大模型在模型中排名第一，超越GPT-4o。

4. 模型在STEM領域的性能顯著優于人文社科領域。

4. SuperGPQA的意義與影響

SuperGPQA的開源，為大模型的評估提供了更全面、更可靠的工具，有助于推動大模型技術的發展。其嚴格的數據構建過程和全面的學科覆蓋，填補了行業空白，為未來大模型評測樹立了新的標桿。 這不僅標志著字節跳動在基礎科研領域的投入，也展現了其對大模型技術發展的長遠規劃。

聯系作者

文章來源：量子位
作者微信：
作者簡介：追蹤人工智能新趨勢，關注科技行業新突破