GSM8K：评估大模型链式推理与数学能力的基准

GSM8K 是一个由简短叙事数学题构成的基准，要求模型拆解提示词、进行中间计算并给出最终数值答案。题目对人类而言刻意保持简单，但对缺乏草稿推理或精确算术能力的模型颇具挑战。由于答案是自由形式的数字，该基准常用于评估链式推理和工具辅助数学能力，精确匹配评分让错误易于诊断并便于跨模型比较。