为什么重要
MuSR（Multistep Soft Reasoning）测试 1000+ tokens 文本上的多步推理。被 HF Open LLM Leaderboard v2 采用。
构建方式与示例
在长文本（1000+ tokens）上做多步推理。例如：读一段复杂的犯罪小说，推理”谁是凶手？“
返回评测
推理 综合推理 未饱和
模态 · 文本
任务 · 混合题型
MuSR
1,000 道需要多步骤、跨段落推理的复杂任务，包含谋杀推理和组合优化
CMU ·
考察能力
多步推理 谋杀推理 时间推理 空间推理
构建信息
- 数据规模
- 1,000 problems
- 评测方式
- 标准评测
- 核心指标
- Accuracy (%)
资源链接
模型效果排行
🥇 o3
72.4%
🥈 Claude Opus 4
58.1%
🥉 GPT-4o
45.2%
多步推理 软推理