评估基准

研究团队提出前瞻性假设发现（PHD）任务，评估大语言模型在证据不完整、结论未定时自主构建可检验假设空间的能力。新基准 HypoArena 涵盖 988 个科学分析案例，实验显示不同模型在该任务上存在明显能力分层。

研究人员提出FinResearchBench II基准，通过大模型自动生成金融报告质量评估标准，实验显示AI评估与人类专家一致性达98.67%，大幅降低人工标注成本。

研究者提出BayesBench基准，首次系统评估大语言模型在多轮对话中能否像理性贝叶斯推理者那样更新信念。研究发现模型规模提升有助于潜在变量推断，但推断能力不一定能转化为理性的下游预测。

研究者推出诊断性基准CalBrief，评估大语言模型在科学简报生成中根据证据强度与范围校准结论的能力，发现模型在证据强度判断上存在系统性保守倾向。