SuperGPQA – 豆包大模型聯合 M-A-P 開源的知識推理基準測試集

SuperGPQA是什么

SuperGPQA 是由字節跳動豆包大模型團隊與 M-A-P 聯合推出的一個全面的知識推理基準測試集，涵蓋 285 個研究生級學科，包含多達 26529 道專業題目。該項目旨在解決傳統評測基準在學科覆蓋不足、題目質量參差不齊及評測維度單一等方面的問題。通過專家與大語言模型的協同構建，SuperGPQA 確保了題目的高質量與高難度，并且包括了 STEM 和非 STEM 學科，其中有 42.33% 的題目涉及數學計算或嚴謹推理，能夠有效評估大語言模型的泛化能力及真實推理水平。

SuperGPQA的主要功能

• 全面評估大語言模型（LLM）的泛化能力：SuperGPQA 覆蓋 285 個研究生級學科，包括長尾學科，能夠全面衡量 LLM 在各領域的知識儲備與推理能力。
• 揭示模型的真實推理能力：42.33% 的題目需要進行數學計算或形式推理，確保測試集能夠有效評估模型在復雜任務中的表現，而不僅僅是知識的記憶。
• 提供跨學科分析框架：SuperGPQA 的廣泛學科覆蓋，包括 STEM（科學、技術、工程、數學）和非 STEM（哲學、文學、歷史等）領域，為研究模型在不同學科中的表現提供統一的評估工具。
• 填補長尾學科評估空白：傳統評測集對輕工業、農業、服務科學等長尾學科的覆蓋不足，而 SuperGPQA 則通過全面的學科覆蓋彌補這一短板。
• 為模型優化提供參考：基于 SuperGPQA 的評測結果，研究人員可以發現模型的不足之處，進而優化模型的架構與訓練方法。

SuperGPQA的技術原理

• 專家-LLM 協同構建：
  • 來源篩選：專家從可信的來源（如教科書、權威練習網站）中篩選和收集原始問題，以避免眾包標注帶來的低質量風險。
  • 轉錄與規范化：專家對原始問題進行語言規范化和格式轉換，確保所有問題具備統一的學術語言和標準的多項選擇題格式。
  • 質量檢驗：通過基于規則的初步過濾、基于 LLM 的質量檢測（如有效性、領域相關性評估）以及專家復審，確保題目的高質量與高區分度。
• 多模型協作驗證：在質量檢驗階段，采用多個先進的 LLM（如 GPT-4、Gemini-flash 等）進行多維度檢測，以降低數據泄漏風險，提升題目的可靠性與區分度。
• 跨學科語義結構設計：利用 t-SNE 等可視化技術分析題目的語義結構，確保不同學科領域的語言特色得以保留，同時在工程和科學類問題中保持語義的相似性。
• 高難度任務設計：42.33% 的題目要求數學計算或嚴謹推理，確保測試集在評估模型處理復雜任務時的有效性，而不僅僅是考察知識的記憶能力。

SuperGPQA的項目地址

• 項目官網：https://supergpqa.github.io/
• GitHub倉庫：https://github.com/SuperGPQA/SuperGPQA
• HuggingFace模型庫：https://huggingface.co/datasets/m-a-p/SuperGPQA
• arXiv技術論文：https://arxiv.org/pdf/2502.14739

SuperGPQA的應用場景

• 模型性能評估：全面衡量大語言模型在各學科領域的知識與推理能力。
• 模型優化指導：幫助研究者識別模型的不足，優化訓練策略。
• 跨學科分析：支持不同學科之間對模型能力的比較研究。
• 教育研究：用于開發智能教育工具以及研究人工智能在教育中的應用。
• 行業應用測試：為智能客服、醫療輔助等行業應用提供有效的測試工具。