BBH：大模型推理压力测试基准

BIG-Bench Hard（BBH）汇集了早期大模型即便扩大规模仍表现不佳的任务，涵盖逻辑演绎、算法推理、因果推断和数学。这些题目被设计为避免捷径，奖励能规划、串联中间步骤并组合运用规则的模型。BBH 常被模型报告用作推理压力测试，其得分提升往往与更好的工具使用、长上下文处理及中间计算整合能力相关。