Het FACTS Leaderbord: Een Uitgebreide Benchmark voor de Feitelijkheid van Grote Taalmodellen
The FACTS Leaderboard: A Comprehensive Benchmark for Large Language Model Factuality
December 11, 2025
Auteurs: 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
Samenvatting
Wij introduceren The FACTS Leaderboard, een online leaderboard-suite en bijbehorende set benchmarks die het vermogen van taalmodellen om feitelijk accurate tekst te genereren in diverse scenario's uitgebreid evalueert. De suite biedt een holistische maatstaf voor feitelijkheid door de prestaties van modellen op vier afzonderlijke sub-leaderboards samen te voegen: (1) FACTS Multimodaal, dat de feitelijkheid van antwoorden op op afbeeldingen gebaseerde vragen meet; (2) FACTS Parametrisch, dat de wereldkennis van modellen beoordeelt door gesloten-boek feitenvragen uit interne parameters te beantwoorden; (3) FACTS Zoeken, dat de feitelijkheid evalueert in informatiezoek-scenario's, waarbij het model een zoek-API moet gebruiken; en (4) FACTS Grondslag (v2), dat beoordeelt of langere antwoorden zijn gebaseerd op verstrekte documenten, met aanzienlijk verbeterde beoordelaarsmodellen. Elke sub-leaderboard gebruikt geautomatiseerde beoordelaarsmodellen om modelantwoorden te scoren, en de uiteindelijke suitescore is een gemiddelde van de vier componenten, ontworpen om een robuuste en evenwichtige beoordeling van de algehele feitelijkheid van een model te bieden. De FACTS Leaderboard Suite zal actief worden onderhouden en bevat zowel publieke als private splits om externe deelname mogelijk te maken terwijl de integriteit wordt beschermd. De suite is te vinden op https://www.kaggle.com/benchmarks/google/facts.
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 .