为什么重要
AGIEval 收集了中美高考、GRE、GMAT、LSAT 等 20 个标准化考试的真题，衡量模型在”通过人类选拔性考试”上的表现。
构建方式与示例
20 个考试数据集：中国高考（语/数/英/理综）、GRE、GMAT、LSAT、SAT、公务员考试。例如高考数学：“已知函数 f(x)=x³-3x，求 f 在 [-2,2] 上的最大值。“
关键发现
GPT-4 已能通过大部分考试，但中国高考理综和 LSAT 逻辑推理仍有差距。考试成绩不等于真实能力。
返回评测
综合 综合-通用能力 接近饱和
模态 · 文本
任务 · 混合题型
AGIEval
以 SAT/GRE/LSAT/高考等真实标准化考试评估模型的认知和推理能力
Microsoft ·
考察能力
标准化考试 SAT GRE LSAT 高考
构建信息
- 数据规模
- 8,062 questions / 20 exams
- 评测方式
- 标准评测
- 核心指标
- Accuracy (%)
资源链接
模型效果排行
🥇 GPT-5
89.4%
🥈 Claude Opus 4
86.7%
🥉 GPT-4
71.3%
标准化考试 综合 多语言