CritPt v2

CritPt v2は、研究レベルの物理推論タスクでLLMをテストするために設計されたベンチマークCritPtの改訂版で、70の複合的な研究課題を特徴とする。モデルはオフラインのLinuxサンドボックス内でコード実行ツールを用いて問題を解く。