ThermoQA: Nowy benchmark do testowania rozumowania termodynamiki w LLM

Naukowcy stworzyli benchmark ThermoQA zawierający 293 problemy termodynamiczne do oceny zdolności dużych modeli językowych. Claude Opus 4.6 zwyciężył z wynikiem 94,1%, ale testy wykazały, że zapamiętywanie danych nie równa się głębokiemu rozumowaniu.

To streszczenie zostało przygotowane przy pomocy narzędzi AI na podstawie źródła. Pełną treść znajdziesz w oryginalnym artykule.