大模型评估

研究团队推出ISOSCI基准测试，通过同构跨学科科学问题对分离大模型的推理能力与领域知识检索，发现当前推理模式提升主要依赖知识而非纯逻辑结构。

研究者提出ACE评估框架，发现传统校准指标在跨模型比较时存在偏差，准确率控制后模型校准排名常发生反转。

研究团队提出RoPoLL方法，通过引入几何中位数等鲁棒统计量改进大模型评委团的共识机制，显著提升评估系统在数据污染攻击下的稳定性。