SuperGPQA: Escalonando a Avaliação de LLMs em 285 Disciplinas de Pós-Graduação

SuperGPQA: Scaling LLM Evaluation across 285 Graduate Disciplines

February 20, 2025

Autores: 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

Resumo

Modelos de linguagem de grande escala (LLMs) demonstraram proficiência notável em disciplinas acadêmicas convencionais, como matemática, física e ciência da computação. No entanto, o conhecimento humano abrange mais de 200 disciplinas especializadas, excedendo em muito o escopo dos benchmarks existentes. As capacidades dos LLMs em muitos desses campos especializados - particularmente na indústria leve, agricultura e disciplinas orientadas a serviços - permanecem insuficientemente avaliadas. Para abordar essa lacuna, apresentamos o SuperGPQA, um benchmark abrangente que avalia o conhecimento e as capacidades de raciocínio em nível de pós-graduação em 285 disciplinas. Nosso benchmark emprega um mecanismo inovador de filtragem colaborativa Humano-LLM para eliminar perguntas triviais ou ambíguas por meio de refinamento iterativo com base tanto nas respostas dos LLMs quanto no feedback de especialistas. Nossos resultados experimentais revelam uma margem significativa de melhoria no desempenho dos LLMs state-of-the-art atuais em diversos domínios de conhecimento (por exemplo, o modelo focado em raciocínio DeepSeek-R1 alcançou a maior precisão de 61,82% no SuperGPQA), destacando a considerável lacuna entre as capacidades atuais dos modelos e a inteligência artificial geral. Além disso, apresentamos insights abrangentes de nossa gestão de um processo de anotação em larga escala, envolvendo mais de 80 anotadores especialistas e um sistema interativo de colaboração Humano-LLM, oferecendo orientações metodológicas valiosas para futuras iniciativas de pesquisa de escopo comparável.

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.