FlagEval Bevindingenrapport: Een Voorlopige Evaluatie van Grote Redeneermodellen op Automatisch Verifieerbare Tekstuele en Visuele Vragen
FlagEval Findings Report: A Preliminary Evaluation of Large Reasoning Models on Automatically Verifiable Textual and Visual Questions
September 21, 2025
Auteurs: 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
Samenvatting
We voeren een middelgrote, tot op zekere hoogte vervuiling-vrije evaluatie uit van huidige grote redeneermodellen (LRMs) met enkele voorlopige bevindingen. We brengen ook ROME uit, onze evaluatiebenchmark voor visuele taalmodellen die bedoeld is om redeneren vanuit visuele aanwijzingen te testen. We voegen links toe naar de benchmark, evaluatiedata en andere updates op deze website:
https://flageval-baai.github.io/LRM-Eval/
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/