FLAWS论文错误定位基准发布

2026年10月23日，arXiv Artificial Intelligence 刊出研究，Sarina Xi 等作者发布 FLAWS（Fault Localization Across Writing in Science）基准，用于评估大语言模型能否识别并定位科学论文中会动摇核心论断的错误。该基准由 713 个论文-错误对构成，并采用自动化方式构建。研究团队在 Claude Sonnet 4.5、DeepSeek Reasoner v3.1、Gemini 2.5 Pro、GPT 5 和 Grok 4 五个前沿模型上开展评测，其中 GPT 5 表现最佳，在 k=10 时识别准确率为 39.1%。目前报道仅给出这一评测结果，未披露其他模型的具体得分，也未说明基准的后续更新或公开使用安排。

AI 根据报道生成 · 2 小时前更新

还没有足够的连续观测数据，暂不绘制趋势。