提出了两层级元制框架GAMUT来评估长文本生成的事实完整性,在14个前沿模型上测试,最佳成绩为58.7%,表明该基准具有挑战性和辨别力。
机构:Meta
来源:arXiv 2607.19322 | AI4Papers 论文推荐平台