FlavourBench：利用可执行烹饪事实依据评估前沿语言模型

英文标题：FlavourBench: Ranking Frontier Language Models with Executable Culinary Ground Truth

FlavourBench 是一项自动化语言模型基准测试，旨在通过具备版本管理能力的烹饪系统提供密集、可执行的事实依据。该基准试图减少开放式语言模型评测对人工偏好评审、其他模型裁判或脆弱精确匹配答案的依赖。其意义在于为前沿语言模型提供一种可复现、可验证的开放式任务评估方式，并可能帮助开发者更可靠地比较模型能力。论文编号为 arXiv:2608.20574v1，当前为新发布版本。

2.1 KB 640 B 612 B 380 B 9.1 KB 32.7 KB 22.8 KB 24.2 KB 34.7 KB