Epoch AI 基准测试索引：从数学难题到长程编程的 87 项评测

Epoch AI 汇总了 87 项基准测试，覆盖研究级数学难题、Erdős 开放问题、长程编程、空间推理与 AI 学习能力等方向。其中长程编程基准要求模型在无源码情况下端到端重写整个程序，空间推理测试则让模型判断 IKEA 家具组装照片是否有误并指出错误步骤。另有基于国际象棋引擎生成的 100 道谜题，以及 1,000 道政治、科学、艺术、体育等领域的常识问答题。