LLM-Test-Benchmark-100：多语言跨学科大模型评测基准

LLM-Test-Benchmark-100是由Benjamin-Wegener创建的开源评测基准，包含100道高难度跨学科问题，覆盖10种主要世界语言，旨在严格测试大语言模型的深度知识、逻辑推理和跨领域理解能力，弥补传统评测基准的局限性。

随着大语言模型能力快速提升，传统评测基准如MMLU、GSM8K逐渐饱和，模型分数接近人类但未必具备深度理解与复杂推理能力；现有评测多局限于单一领域、单一语言，题目标准化，难以区分顶尖模型真实差距。社区迫切需要更具挑战性的评测方式，以测试跨学科知识整合、多语言理解及边缘案例处理能力，这是该项目诞生的背景。

LLM-Test-Benchmark-100含100道精心设计的高难度问题，横跨计算机科学、哲学、物理学、法学等多学科；题目类型涵盖理论证明、概念辨析、算法实现等，要求模型展现深度领域知识与严谨推理。其显著特点是多语言设计，覆盖英语、德语、法语、日语、西班牙语、中文、俄语、阿拉伯语、印地语等10种语言，每种语言约占10%，测试模型多语言能力及不同文化背景下的专业术语理解。

• 计算机科学：解释Python中[] == []返回True而[] is []返回False的原因，需结合CPython内部机制（PyObject和引用计数）；
• 分布式系统：区分拜占庭故障与崩溃故障，解释PBFT算法n >= 3f +1的节点条件；
• 量子力学：解释量子纠缠与经典关联的区别，及贝尔不等式违反证明量子非局域性；
• 法学：分析美国宪法法律中非授权原则与雪佛龙尊重原则的张力，及2024年Loper Bright案推翻雪佛龙原则对三权关系的影响；
• 经济学：对比纳什均衡与帕累托最优，说明囚徒困境中两者差异及对国际气候变化合作的启示。

项目建议从四个维度评估模型回答：

1. 事实准确性：陈述是否正确；
2. 推理深度：论证是否严谨、逻辑自洽；
3. 清晰度与结构：组织是否清晰、表达流畅；
4. 边缘案例处理：能否识别并妥善处理问题复杂性。 可将同一题目输入不同模型（如GPT、Claude、Llama等）横向对比，揭示架构与训练方法的能力差异。

• 主流评测基准存在局限性，需更具挑战性任务推动技术边界；
• 多语言设计凸显非英语语言（尤其是低资源语言）在AI评测中的重要性；
• 跨学科设计强调通用人工智能（AGI）所需的知识广度；
• 高难度问题迫使模型展现真实理解而非模式匹配，避免依赖训练数据记忆。

该项目采用MIT许可证开源，允许自由使用、修改和分发。欢迎社区贡献：添加新问题、改进格式、开发评测脚本或JSON导出功能、翻译成更多语言。未来评测将从标准化测试转向开放式、跨学科、多语言的深度评测，推动大模型研究从追求分数转向真正的理解与推理能力。

LLM-Test-Benchmark-100不仅是测试工具，更是映照当前AI系统在深度知识、复杂推理和跨文化理解方面真实水平的镜子。它为研究者、开发者和用户提供宝贵洞察，帮助准确评估大语言模型的能力与局限。