近日，一項名為 Relay-Bench 的新型基準測試正式釋出，該測試專門用於評估大語言模型（LLM）在複雜多領域推理鏈上的表現。與以往僅測試單一能力的基準不同，Relay-Bench 要求模型在單個提示中依次完成來自不同領域的多個子問題，從而模擬真實世界中需要綜合運用多種技能的複合任務。
Relay-Bench 的測試集完全由複合問題組成，每個問題包含2到13個單領域子問題。這些子問題涵蓋了視覺推理（以文本形式描述）、程式設計、數學、資訊提取（重點為網路搜尋）、問題解決、常識知識和資料分析共8個領域。為了增加難度，許多問題還透過提示編碼（prompt encoding）和故意新增冗餘上下文（context bloat）來增加複雜度，使得模型必須在混亂的資訊中準確提取關鍵要素。
在最新評估中，表現最好的模型是 OpenAI 的 GPT-5.5 (xHigh)，但其得分僅為 43.3%，遠未達到飽和水平。值得注意的是，測試未對模型施加任何外部限制，並且明確鼓勵模型使用程式碼執行、網路搜尋以及所有可用工具。這意味著模型具備完全的自主權，但即使如此，整體表現仍不盡人意，表明當前 LLM 在整合多領域知識進行長鏈推理方面存在根本性短板。
Relay-Bench 的釋出為 AI 研究社群提供了一個更貼近實際應用場景的評估工具。傳統基準往往只針對單一技能，而現實中的問題往往需要跨領域協作。該基準的設計旨在捕捉這種綜合性，推動模型在複雜任務中的泛化能力。研究者認為，Relay-Bench 可能成為未來 LLM 效能的重要標尺，並促使模型在組合推理、工具使用和上下文管理方面取得突破。相關論文已提交至 arXiv（編號：2607.18438），並計劃在後續會議上展示。論文共21頁，包含7張圖表，詳細介紹了基準構建方法、難度控制及樣本分析。