Graph / ReasoningR / 01
GraphArena
Evaluating and Exploring Large Language Models on Graph Computation
10 项图计算任务，覆盖多项式时间与 NP-complete 挑战，并将结果区分为正确、次优、幻觉和缺失。
图任务Agent 评测10 项任务
Research archive / Benchmark
让模型能力
可以被证明。
Benchmark 不只是排行榜。它帮助模型公司在训练前选数据、训练中找回归、发布前做验收，并把每一次实验变成可复用的能力证据。
Benchmark systems / Research overviewFigure 01
12Benchmarks
Core evidence
围绕训练与发布决策，保留可复查的评测记录。
12Benchmark
3×训练前 / 训练中 /
发布前决策节点
发布前决策节点
1统一任务、版本、测试
与成本记录协议
与成本记录协议
Selected research archive