Rapporto sui Risultati di FlagEval: Una Valutazione Preliminare dei Modelli di Ragionamento su Grande Scala su Domande Testuali e Visive Verificabili Automaticamente
FlagEval Findings Report: A Preliminary Evaluation of Large Reasoning Models on Automatically Verifiable Textual and Visual Questions
September 21, 2025
Autori: Bowen Qin, Chen Yue, Fang Yin, Hui Wang, JG Yao, Jiakang Liu, Jing-Shu Zheng, Miguel Hu Chen, Richeng Xuan, Shibei Meng, Shiqi Zhou, Teng Dai, Tong-Shuai Ren, Wei Cui, Xi Yang, Xialin Du, Xiaojing Xu, Xue Sun, Xuejing Li, Yaming Liu, Yesheng Liu, Ying Liu, Yonghua Lin, Yu Zhao, Yunduo Zhang, Yuwen Luo, Zheqi He, Zhiyuan He, Zhongyuan Wang
cs.AI
Abstract
Conduciamo una valutazione su scala moderata, in una certa misura priva di contaminazioni, dei modelli di ragionamento su larga scala (LRM) attuali, con alcuni risultati preliminari. Rilasciamo inoltre ROME, il nostro benchmark di valutazione per modelli linguistici visivi progettato per testare il ragionamento a partire da indizi visivi. Sul sito web https://flageval-baai.github.io/LRM-Eval/ sono disponibili i link al benchmark, ai dati di valutazione e ad altri aggiornamenti.
English
We conduct a moderate-scale contamination-free (to some extent) evaluation of
current large reasoning models (LRMs) with some preliminary findings. We also
release ROME, our evaluation benchmark for vision language models intended to
test reasoning from visual clues. We attach links to the benchmark, evaluation
data, and other updates on this website:
https://flageval-baai.github.io/LRM-Eval/