Cohere 文化谜题基准：最佳模型仅 79 分，部分社区低至 22%

Cohere Labs 发布 CulturalRiddles 基准，用 6200 条人类撰写文化谜题测试 28 个 AI 模型，最佳模型整体准确率仅 79%。部分文化社区准确率低至 22% 或更低，开启翻译后平均准确率从 22% 提升到 32%。31% 的被审答案属于编造，模型很少承认不确定；谜题由 167 位作者在 45 国以 51 种语言创作，研究材料开源。