Scale AI 发布 MA-Bench：借鉴军事任务规划测 LLM，最强模型仅答对 62%

Scale AI 与 Data Machines 发布 MA-Bench，借鉴军事作战规划的「任务分析」步骤，在没有唯一正确答案的场景中评测 LLM。20 个前沿与开源模型中最好者仅答对 62% 的 rubric 条目，文档明述事实最强（58%）、需推断的判断最弱（33%），六成失败是遗漏而非错误。数据包、rubric、prompt、评分器与逐条评分全部开源。