BIG-Bench Extra Hard (Сверхсложный BIG-Bench)

BIG-Bench Extra Hard

February 26, 2025

Авторы: Mehran Kazemi, Bahare Fatemi, Hritik Bansal, John Palowitch, Chrysovalantis Anastasiou, Sanket Vaibhav Mehta, Lalit K. Jain, Virginia Aglietti, Disha Jindal, Peter Chen, Nishanth Dikkala, Gladys Tyen, Xin Liu, Uri Shalit, Silvia Chiappa, Kate Olszewska, Yi Tay, Vinh Q. Tran, Quoc V. Le, Orhan Firat

cs.AI

Аннотация

Крупные языковые модели (LLM) всё чаще применяются в повседневных задачах, что требует от них устойчивых общих навыков рассуждения и разнообразного набора способностей к логическому мышлению. Однако текущие тесты для оценки рассуждений LLM в основном сосредоточены на математических и программистских навыках, оставляя пробел в оценке более широких способностей к рассуждению. Одним из исключений является набор данных BIG-Bench, который стал важным эталоном для оценки общих способностей LLM к рассуждению благодаря разнообразию сложных задач, позволяющих всесторонне оценить общие навыки рассуждения в рамках единой структуры. Однако последние достижения в области LLM привели к насыщению как BIG-Bench, так и его более сложной версии BIG-Bench Hard (BBH). Современные модели достигают почти идеальных результатов на многих задачах в BBH, что снижает его полезность. Чтобы устранить это ограничение, мы представляем BIG-Bench Extra Hard (BBEH) — новый эталон, призванный расширить границы оценки способностей LLM к рассуждению. BBEH заменяет каждую задачу в BBH на новую, которая исследует аналогичные способности к рассуждению, но при этом значительно увеличивает сложность. Мы оцениваем различные модели на BBEH и наблюдаем среднюю (гармоническую) точность 9,8% для лучшей универсальной модели и 44,8% для лучшей специализированной модели, что указывает на значительный потенциал для улучшения и подчеркивает сохраняющуюся сложность достижения устойчивых общих навыков рассуждения в LLM. Мы публикуем BBEH в открытом доступе по адресу: https://github.com/google-deepmind/bbeh.

English

Large language models (LLMs) are increasingly deployed in everyday applications, demanding robust general reasoning capabilities and diverse reasoning skillset. However, current LLM reasoning benchmarks predominantly focus on mathematical and coding abilities, leaving a gap in evaluating broader reasoning proficiencies. One particular exception is the BIG-Bench dataset, which has served as a crucial benchmark for evaluating the general reasoning capabilities of LLMs, thanks to its diverse set of challenging tasks that allowed for a comprehensive assessment of general reasoning across various skills within a unified framework. However, recent advances in LLMs have led to saturation on BIG-Bench, and its harder version BIG-Bench Hard (BBH). State-of-the-art models achieve near-perfect scores on many tasks in BBH, thus diminishing its utility. To address this limitation, we introduce BIG-Bench Extra Hard (BBEH), a new benchmark designed to push the boundaries of LLM reasoning evaluation. BBEH replaces each task in BBH with a novel task that probes a similar reasoning capability but exhibits significantly increased difficulty. We evaluate various models on BBEH and observe a (harmonic) average accuracy of 9.8\% for the best general-purpose model and 44.8\% for the best reasoning-specialized model, indicating substantial room for improvement and highlighting the ongoing challenge of achieving robust general reasoning in LLMs. We release BBEH publicly at: https://github.com/google-deepmind/bbeh.