行业与实践 · 标签「闭卷」

研究与基准测试/2026-11-07/14 分钟

SimpleQA Verified：闭卷事实题洗干净之后，最好的模型也只到 55.6

Google DeepMind 把 SimpleQA 从 4,326 题洗到 1,000 题，去掉重复来源、过近的题和冲突答案。Gemini 2.5 Pro 的 F1 是 55.6。Claude Opus 4 回避了 64.5% 的题。