NPHardEval 排行榜：通过计算复杂度与动态更新揭示大语言模型推理能力

Hugging Face 推出大语言模型推理评估基准及排行榜 NPHardEval，包含覆盖 P 到 NP-hard 复杂度的 900 道算法题。该基准排除数值计算并按月动态更新以防过拟合，采用加权准确率（WA）与失败率（FR）评估纯逻辑推理。测试显示 GPT 4 Turbo 综合表现最佳，开源模型中 Yi-34b、Qwen-14b、Phi-2 和 Mistral-7b 处于领先水平。