技术博客

加州大学河滨分校的研究团队发现，当前AI在组合推理任务中表现欠佳，部分原因在于传统评测指标过于严格，难以全面评估模型潜力。为此，研究团队提出了新型评测指标GroupMatch及Test-Time Matching算法，有效提升了对AI模型推理能力的评估精度。实验结果显示，在Winoground测试中，GPT-4.1首次超越人类表现；而在MMVP-VLM基准测试中，参数量仅为0.2B的SigLIP-B16模型不仅超越了GPT-4.1，更刷新了该基准的历史最佳成绩，展现出新评测体系下模型潜力的显著释放。