Relatório de Resultados do FlagEval: Uma Avaliação Preliminar de Modelos de Raciocínio de Grande Escala em Questões Textuais e Visuais Automaticamente Verificáveis
FlagEval Findings Report: A Preliminary Evaluation of Large Reasoning Models on Automatically Verifiable Textual and Visual Questions
September 21, 2025
Autores: 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
Resumo
Realizamos uma avaliação em escala moderada e, até certo ponto, livre de contaminação dos modelos de raciocínio de grande porte (LRMs) atuais, com algumas descobertas preliminares. Também lançamos o ROME, nosso benchmark de avaliação para modelos de linguagem visual, projetado para testar o raciocínio a partir de pistas visuais. Disponibilizamos links para o benchmark, dados de avaliação e outras atualizações neste site: 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/