MA-Bench 评测语言模型的作战规划能力
原文标题：MA-Bench: Measuring Operational Planning in Language Models
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。
一篇 arXiv 论文发布 MA-Bench，基于军事作战规划第一步「任务分析」，包含 10 个专家构建场景与 1257 条专家撰写的通过/失败要求。二十个前沿与开源模型中最佳者仅答对 62% 的评分项，模型在文档明示事实上表现最好（58%），在需推断的判断上最弱（33%），六成失败属于遗漏而非错误。
- 问题
- 缺少评测 LLM 在信息不全、部分矛盾文档下做无唯一答案规划的能力。
- 方法
- 基于军事任务分析构建 10 个专家场景与 1257 条通过/失败要求，用推理模型评审且不看原文。
- 结果
- 20 个前沿与开源模型最佳仅答对 62% 评分项，文档明示事实 58%、需推断判断 33%，六成失败为遗漏。
- 影响
- 揭示模型在开放式规划中偏遗漏而非出错，为高风险决策场景提供细粒度评测基准。
深读 · 结论先行AI 生成展开看要点与影响 ↓
MA-Bench 上二十个模型最佳仅答对 62% 评分项，推断类仅 33%。
- •MA-Bench 基于军事作战规划第一步任务分析，含 10 个专家构建场景与 1257 条专家撰写的通过/失败要求。
- •二十个前沿与开源模型中最佳者仅答对 62% 的评分项。
- •模型在文档明示事实上表现最好（58%），在需推断的判断上最弱（33%）。
- •六成失败属于遗漏而非错误。
- •推理模型评判者评分与四人专家小组一致（Fleiss κ 0.42 降至 0.41），第二家提供方评判者复现模型排名（Spearman 0.94）。
为什么重要：在无唯一正确答案、信息不完整且部分矛盾的真实规划任务上，模型能力短板集中在推断与覆盖而非事实复述。
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。