Der FACTS-Leaderboard: Ein umfassender Benchmark für die Faktentreue von großen Sprachmodellen
The FACTS Leaderboard: A Comprehensive Benchmark for Large Language Model Factuality
December 11, 2025
papers.authors: Aileen Cheng, Alon Jacovi, Amir Globerson, Ben Golan, Charles Kwong, Chris Alberti, Connie Tao, Eyal Ben-David, Gaurav Singh Tomar, Lukas Haas, Yonatan Bitton, Adam Bloniarz, Aijun Bai, Andrew Wang, Anfal Siddiqui, Arturo Bajuelos Castillo, Aviel Atias, Chang Liu, Corey Fry, Daniel Balle, Deepanway Ghosal, Doron Kukliansky, Dror Marcus, Elena Gribovskaya, Eran Ofek, Honglei Zhuang, Itay Laish, Jan Ackermann, Lily Wang, Meg Risdal, Megan Barnes, Michael Fink, Mohamed Amin, Moran Ambar, Natan Potikha, Nikita Gupta, Nitzan Katz, Noam Velan, Ofir Roval, Ori Ram, Polina Zablotskaia, Prathamesh Bang, Priyanka Agrawal, Rakesh Ghiya, Sanjay Ganapathy, Simon Baumgartner, Sofia Erell, Sushant Prakash, Thibault Sellam, Vikram Rao, Xuanhui Wang, Yaroslav Akulov, Yulong Yang, Zhen Yang, Zhixin Lai, Zhongru Wu, Anca Dragan, Avinatan Hassidim, Fernando Pereira, Slav Petrov, Srinivasan Venkatachary, Tulsee Doshi, Yossi Matias, Sasha Goldshtein, Dipanjan Das
cs.AI
papers.abstract
Wir stellen The FACTS Leaderboard vor, eine Online-Leaderboard-Suite und einen zugehörigen Satz von Benchmarks, die umfassend die Fähigkeit von Sprachmodellen bewerten, in verschiedenen Szenarien faktisch korrekte Texte zu generieren. Die Suite bietet ein ganzheitliches Maß für die Faktentreue, indem sie die Leistung der Modelle auf vier verschiedenen Sub-Leaderboards aggregiert: (1) FACTS Multimodal, das die Faktentreue von Antworten auf bildbasierte Fragen misst; (2) FACTS Parametric, das das Weltwissen der Modelle durch Beantwortung von Closed-Book-Faktfragen aus internen Parametern bewertet; (3) FACTS Search, das die Faktentreue in informationssuchenden Szenarien evaluiert, in denen das Modell eine Such-API verwenden muss; und (4) FACTS Grounding (v2), das bewertet, ob Langform-Antworten auf bereitgestellten Dokumenten basieren und dabei signifikant verbesserte Judge-Modelle verwendet. Jedes Sub-Leaderboard setzt automatisierte Judge-Modelle ein, um Modellantworten zu bewerten, und der endgültige Suite-Score ist ein Durchschnitt der vier Komponenten, der dazu konzipiert ist, eine robuste und ausgewogene Bewertung der allgemeinen Faktentreue eines Modells zu liefern. Die FACTS Leaderboard Suite wird aktiv gepflegt und enthält sowohl öffentliche als auch private Aufteilungen, um externe Beteiligung zu ermöglichen und gleichzeitig ihre Integrität zu wahren. Sie ist unter https://www.kaggle.com/benchmarks/google/facts zu finden.
English
We introduce The FACTS Leaderboard, an online leaderboard suite and associated set of benchmarks that comprehensively evaluates the ability of language models to generate factually accurate text across diverse scenarios. The suite provides a holistic measure of factuality by aggregating the performance of models on four distinct sub-leaderboards: (1) FACTS Multimodal, which measures the factuality of responses to image-based questions; (2) FACTS Parametric, which assesses models' world knowledge by answering closed-book factoid questions from internal parameters; (3) FACTS Search, which evaluates factuality in information-seeking scenarios, where the model must use a search API; and (4) FACTS Grounding (v2), which evaluates whether long-form responses are grounded in provided documents, featuring significantly improved judge models. Each sub-leaderboard employs automated judge models to score model responses, and the final suite score is an average of the four components, designed to provide a robust and balanced assessment of a model's overall factuality. The FACTS Leaderboard Suite will be actively maintained, containing both public and private splits to allow for external participation while guarding its integrity. It can be found at https://www.kaggle.com/benchmarks/google/facts .