BENCHCOMPASS：支付领域大模型评测基准
原文标题：BENCHCOMPASS: From Scores to Signals for Training and Harness Decisions in Payment-Domain LLMs
重要度 3/5 · AI 综合评估报道影响力与新鲜度，4–5 分为高价值资讯。
论文推出 BENCHCOMPASS，一个支付领域基准，通过类型化证据包构建场景化任务，并加入攻击变体与专家审核。评测覆盖 16 个模型变体，揭示三类失败模式：支付规则知识缺失、证据推理不完整、无法拒绝看似合理但无效的流程。基准尚未饱和，最强前沿模型在攻击输入下仅 81.7%，32B 开源模型仅 42.6%。
- 问题
- 支付领域大模型能力不明，现有基准无法区分失败来源。
- 方法
- 用类型化证据包构建场景化任务，加入攻击变体与专家审核，覆盖知识、推理与鲁棒性。
- 结果
- 最强前沿模型攻击输入下81.7%，32B开源模型仅42.6%；基准尚未饱和。
- 影响
- 为支付场景选型提供可区分知识缺失、推理不足与流程拒绝失败的评测工具。
深读 · 结论先行AI 生成展开看要点与影响 ↓
支付领域新基准BENCHCOMPASS显示最强前沿模型在攻击输入下仅81.7%，32B开源模型仅42.6%
- •基准用类型化证据包构建场景化任务，并加入攻击变体和专家审核
- •覆盖16个模型变体，揭示三类失败：支付规则知识缺失、证据推理不完整、无法拒绝看似合理但无效的流程
- •最强前沿模型在开放上下文推理达89.6%，攻击输入下降至81.7%
- •代表性32B开源模型两项分别为69.8%和42.6%，基准尚未饱和
为什么重要：支付规则变化快、证据碎片化，该基准首次把失败来源拆成知识、证据使用与鲁棒性三类，对做金融场景落地的团队有直接参考价值。
以上深读由 AI 依据标题/摘要/正文节选生成，仅供参考；事实以原文为准。
AI 处理过程展开/收起
相关推荐
OpenAI 宣布数学、计算机科学、物理学三项新发现
AI 摘要OpenAI 宣布在调和分析、复杂性理论和量子场论三个方向取得新发现，并采用与学术界合作的新方法。公司邀请外部专家组织团队理解研究结果，参与者无需签署保密协议、可自由讨论并发表结论，且为自愿无报酬。OpenAI 表示不会为内部模型产生的发现寻求学术署名。
数学家称需数年消化 OpenAI 最新数学成果
AI 摘要OpenAI 本周突然发布近 400 项 AI 生成的数学成果，分布在 700 多份手稿中，覆盖组合数学、几何、数论等多个领域。多位数学家表示「震惊」「难以置信」，认为仅理解这些成果就需数年，且验证程度参差不齐。
OpenAI 公布数学难题突破成果
AI 摘要OpenAI 发布由未公开前沿模型生成的 722 篇数学手稿，覆盖 372 个成果族，声称解决了数百个长期未解问题，并公开 Lean 形式化证明与算力估算。此举延续了 AI 冲击数学界的势头，也引发研究伦理与学术规范的争议。独立顾问组织 AGMAI 呼吁实验室通过正规学术渠道发布成果，而非将其当作营销工具。
OpenAI 再抛数学突破成果引争议
AI 摘要OpenAI 公布 722 篇手稿，称未发布的前沿模型解决了数百个数学开放问题，平均每个结果消耗约三小时 ChatGPT Pro 级算力。成果虽令人震撼，但数学界对发布方式、研究伦理与学术规范提出质疑。AGMAI 建议实验室及时通过正规渠道披露模型、提示词与算力成本，避免把成果当作营销手段。