基准测试在测什么 › GAIA
GAIA
通用助手串联搜索、读文件、看图听音、调工具完成真实任务。
智能体领域466道题2条已知毛病2026-09-14数据截至
01
分数高对您意味着什么
本站根据出题方式和已知毛病解读
分高说明能像人一样串起日常查找和整理，不代表能登录后台、填复杂表单。
02
怎么出题、怎么打分
出自官方论文与官方仓库
- 题目怎么来
- 466 道，涉及 PDF、表格、图片、音视频，按所需步数和工具分三级
- 怎么打分
- 具体判分规则的细节官方未说明；论文给的对照是人类 92%，当时的 GPT-4 加插件 15%
03
已知毛病
官方自陈与第三方核查
- 刻意排除了文件上传、发帖这类复杂网页交互
- 设计思路是「对人简单、对 AI 难」，不能拿它和 GPQA、AIME 这类「人也难」的基准比难度
同领域还可以对照看：Terminal-Bench、τ-bench / τ²-bench。
04
来源清单
1 条
逐条摊开，每条附原文链接⌄
官方论文、仓库与第三方核查 · 1 条