Benchmark Radar 第 79 天：标准答案能否从输入推出
Published:
Benchmark Radar 第 79 天。标准答案能否从输入推出。本轮抓取 1,476 条，发布 624 条，其中 323 条标为推荐。
Benchmark Radar 已上线。 打开仪表盘、在 GitHub 上 Star，或阅读论文。数据见 Hugging Face 数据集。
Unreachable Oracles 审计基准答案能否从智能体收到的信息中推导出来。它在明确声明的有限许可推导集合中，追踪目标值和构造步骤。比较模型准确率之前，需要先确认任务在自身规则下确实可解。 Unreachable Oracles: Auditing Ground-Truth Derivability in a Synthetic Tool-Drift Benchmark for LLM Agents。
GraphInstruct 1.1 提供 900 条图生成指令，分为六个约束等级，并有 1,782 个算法合成的参考解。它公开五个确定性评分维度、模型原始回答和逐例得分，方便检查总通过率掩盖的失败。 GraphInstruct: A Progressive Benchmark for Diagnosing Capability Gaps in LLM Graph Generation。
为什么要在意
先验证标准答案，再比较解题系统。评分还应保留足够细节，说明系统漏掉了哪些约束。
扫描范围
这是按关键词筛选的发现信息流，不能代表全部 AI 研究。归档简报使用了所收录 624 条证据中的 143 条。本文概述其中引用的发布成果；扫描发现日期不一定是成果的最初发布日期。
数据与简报：2026-10-13 归档快照。