为什么重要
CSQA2 通过人类与模型的对抗博弈收集「看似合理但错误」的常识声明，显著提升了对模型常识理解的评测难度。
返回评测
推理 常识推理 未饱和
模态 · 文本
任务 · 选择 / 判断
CSQA2
对抗式构造的是/否常识判断，要求模型的常识更鲁棒
Tel Aviv University / AI2 ·
考察能力
常识推理 对抗鲁棒性 是否判断
构建信息
- 数据规模
- 14,343 样本
- 评测方式
- 标准评测
- 核心指标
- Accuracy
资源链接
模型效果排行
🥇 GPT-4o
76.8%
🥈 Claude 3.5 Sonnet
74.1%
常识推理 对抗评测 鲁棒性