把考题埋进故事里，大模型还能蒙对吗

你问一个问题，模型答得漂亮。但把问题埋进三段故事里，它还答得对吗？EnigmaForge干的就是这件事——不再直接出题，而是把考题伪装成叙述文本，让大模型自己从语境里挖出"到底在问什么"。说实话，我觉得这个思路戳中了现有评测的软肋。MMLU、GSM8K太"干净"了，模型背题型、套模板就能刷分，分数高不代表真懂。EnigmaForge逼模型先做阅读理解再作答，这更接近真实场景：用户不会永远把需求写成标准问句。当然，这篇论文刚挂上arxiv，社区还没给出足够反馈，但它提出的方向值得追。

原文：EnigmaForge – an LLM benchmark where the question is hidden in the story · 来源：Hacker News