SuperGPQA: Scalare la valutazione dei LLM attraverso 285 discipline universitarie

SuperGPQA: Scaling LLM Evaluation across 285 Graduate Disciplines

February 20, 2025

Autori: M-A-P Team, Xinrun Du, Yifan Yao, Kaijing Ma, Bingli Wang, Tianyu Zheng, Kang Zhu, Minghao Liu, Yiming Liang, Xiaolong Jin, Zhenlin Wei, Chujie Zheng, Kaixing Deng, Shuyue Guo, Shian Jia, Sichao Jiang, Yiyan Liao, Rui Li, Qinrui Li, Sirun Li, Yizhi Li, Yunwen Li, Dehua Ma, Yuansheng Ni, Haoran Que, Qiyao Wang, Zhoufutu Wen, Siwei Wu, Tianshun Xing, Ming Xu, Zhenzhu Yang, Zekun Moore Wang, Junting Zhou, Yuelin Bai, Xingyuan Bu, Chenglin Cai, Liang Chen, Yifan Chen, Chengtuo Cheng, Tianhao Cheng, Keyi Ding, Siming Huang, Yun Huang, Yaoru Li, Yizhe Li, Zhaoqun Li, Tianhao Liang, Chengdong Lin, Hongquan Lin, Yinghao Ma, Zhongyuan Peng, Zifan Peng, Qige Qi, Shi Qiu, Xingwei Qu, Yizhou Tan, Zili Wang, Chenqing Wang, Hao Wang, Yiya Wang, Yubo Wang, Jiajun Xu, Kexin Yang, Ruibin Yuan, Yuanhao Yue, Tianyang Zhan, Chun Zhang, Jingyang Zhang, Xiyue Zhang, Xingjian Zhang, Yue Zhang, Yongchi Zhao, Xiangyu Zheng, Chenghua Zhong, Yang Gao, Zhoujun Li, Dayiheng Liu, Qian Liu, Tianyu Liu, Shiwen Ni, Junran Peng, Yujia Qin, Wenbo Su, Guoyin Wang, Shi Wang, Jian Yang, Min Yang, Meng Cao, Xiang Yue, Zhaoxiang Zhang, Wangchunshu Zhou, Jiaheng Liu, Qunshu Lin, Wenhao Huang, Ge Zhang

cs.AI

Abstract

I modelli linguistici di grandi dimensioni (LLMs) hanno dimostrato una notevole competenza nelle discipline accademiche principali come matematica, fisica e informatica. Tuttavia, la conoscenza umana abbraccia oltre 200 discipline specializzate, superando di gran lunga l'ambito dei benchmark esistenti. Le capacità degli LLMs in molti di questi campi specializzati, in particolare nell'industria leggera, nell'agricoltura e nelle discipline orientate ai servizi, rimangono inadeguatamente valutate. Per colmare questa lacuna, presentiamo SuperGPQA, un benchmark completo che valuta le conoscenze e le capacità di ragionamento a livello di laurea magistrale in 285 discipline. Il nostro benchmark utilizza un meccanismo innovativo di filtraggio collaborativo Umano-LLM per eliminare domande banali o ambigue attraverso un affinamento iterativo basato sia sulle risposte degli LLMs che sul feedback degli esperti. I nostri risultati sperimentali rivelano un significativo margine di miglioramento nelle prestazioni degli attuali LLMs all'avanguardia in diversi domini di conoscenza (ad esempio, il modello focalizzato sul ragionamento DeepSeek-R1 ha raggiunto la massima accuratezza del 61,82% su SuperGPQA), evidenziando il notevole divario tra le capacità attuali dei modelli e l'intelligenza artificiale generale. Inoltre, presentiamo approfondite intuizioni derivanti dalla gestione di un processo di annotazione su larga scala, che ha coinvolto oltre 80 annotatori esperti e un sistema interattivo di collaborazione Umano-LLM, offrendo preziose indicazioni metodologiche per future iniziative di ricerca di portata comparabile.

English

Large language models (LLMs) have demonstrated remarkable proficiency in mainstream academic disciplines such as mathematics, physics, and computer science. However, human knowledge encompasses over 200 specialized disciplines, far exceeding the scope of existing benchmarks. The capabilities of LLMs in many of these specialized fields-particularly in light industry, agriculture, and service-oriented disciplines-remain inadequately evaluated. To address this gap, we present SuperGPQA, a comprehensive benchmark that evaluates graduate-level knowledge and reasoning capabilities across 285 disciplines. Our benchmark employs a novel Human-LLM collaborative filtering mechanism to eliminate trivial or ambiguous questions through iterative refinement based on both LLM responses and expert feedback. Our experimental results reveal significant room for improvement in the performance of current state-of-the-art LLMs across diverse knowledge domains (e.g., the reasoning-focused model DeepSeek-R1 achieved the highest accuracy of 61.82% on SuperGPQA), highlighting the considerable gap between current model capabilities and artificial general intelligence. Additionally, we present comprehensive insights from our management of a large-scale annotation process, involving over 80 expert annotators and an interactive Human-LLM collaborative system, offering valuable methodological guidance for future research initiatives of comparable scope.