在新闻的4月26日的家中，技术媒体Marktechpost昨天（4月25日）发表了一篇博客文章，报道Google的DeepMind团队推出了新的QuestBench基准，以评估该模型通过问题（CSP）的轮廓来识别和获得有关推断的缺失信息的能力。对现实和信息获取要求的挑战大语言模型（LLM）已广泛关注识别任务，涵盖了数学，逻辑，计划和编码等领域。但是，现实世界的应用通常充满了不确定性。在提出数学问题时，用户通常会忽略重要的细节，而诸如机器人之类的自主系统也应在部分明显的Kapsaligiran上运行。这之间的这种矛盾是果断完成的信息设置和不完整的LLMS现实力量，以产生主动的信息采集功能。它引用博客文章来识别信息差距并生成有针对性的澄清问题，这是模型的关键，该模型为模糊情况提供了准确的解决方案。 QuestBench：一个新的框架，用于审查信息差距以应对信息获取挑战，研究人员介绍了QuestBench基准测试，该基准专门回顾了LLMS在理解任务中识别丢失信息的能力。该基准将把问题作为满意度问题（CSP）（CSP）征服，重点是“ 1-sufficial CSP”，也就是说，您只需要知道一个未知的可变valueto解决可变目标的问题即可。 Sakop Ng QuestBench Ang Tatlong Patlang：逻辑Pangangatuwiran（逻辑-Q），Pagpaplano（Pagpaplano-Q）在小学数学学院（GSM-Q/GSME-Q） ang lalim ng paghahanap在ang bilang ng mga hula na kinakailangan para sa pag-aasawa ng lakas，na tumpak na ibubunyag ang ang ang ang ang ang ang ang ang diskarte怀疑mOdel和瓶颈的性能。 QuestBench未来改进的模型性能和空间已经测试了顶级模型，包括GPT-4O，Claude 3.5十四行诗，Gemini 2.0 Flash思维实验，涵盖了零样本，思维链和四样本样本设置。该测试是在2024年6月至2025年3月之间进行的，并参与了288 GSM-Q和151 GSME-Q活动。结果表明，提示链提示通常会改善模型性能，而AOF Gemini 2.0 Flash思考实验最佳性能在计划活动中。开放资源模型具有逻辑推理的竞争力，但在复杂的数学问题上表现不佳。研究指出，当前模型在简单的代数问题上表现良好，但是随着问题的复杂性的增加，性能大大降低，以改善信息差距识别和澄清中信息的空间。