SuperGPQA: Масштабирование оценки языковых моделей в 285 аспирантских дисциплинах

SuperGPQA: Scaling LLM Evaluation across 285 Graduate Disciplines

February 20, 2025

Авторы: 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

Аннотация

Крупные языковые модели (LLM) продемонстрировали впечатляющую компетентность в основных академических дисциплинах, таких как математика, физика и информатика. Однако человеческие знания охватывают более 200 специализированных областей, что значительно превосходит рамки существующих бенчмарков. Способности LLM во многих из этих специализированных областей, особенно в легкой промышленности, сельском хозяйстве и сервисных дисциплинах, остаются недостаточно оцененными. Для устранения этого пробела мы представляем SuperGPQA — всеобъемлющий бенчмарк, который оценивает знания и способности к рассуждению на уровне выпускника в 285 дисциплинах. Наш бенчмарк использует новый механизм совместной фильтрации "Человек-LLM", чтобы исключить тривиальные или неоднозначные вопросы путем итеративного уточнения на основе как ответов LLM, так и экспертной обратной связи. Результаты наших экспериментов показывают значительный потенциал для улучшения производительности современных передовых LLM в различных областях знаний (например, модель, ориентированная на рассуждения DeepSeek-R1, достигла наивысшей точности 61,82% на SuperGPQA), подчеркивая существенный разрыв между текущими возможностями моделей и искусственным общим интеллектом. Кроме того, мы представляем всесторонние выводы из нашего опыта управления крупномасштабным процессом аннотирования, в котором участвовали более 80 экспертов-аннотаторов и интерактивная система совместной работы "Человек-LLM", предлагая ценные методологические рекомендации для будущих исследовательских инициатив сопоставимого масштаба.

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.