诺亚方舟的知识索引

大语言模型的知识基准面临三个问题：规模驱动的设计，无法实现学科代表性；允许惰性共识的固定支付注释；以及有限测试预算下未经审计的排名不稳定。我们引入了 KINA，这是一个涵盖 261 个细粒度学科的 899 项基准，有两个正式结果。首先，我们将代表性作为专家引出的锚点上的覆盖式目标，并通过代理来操作学科代表性，产生 (1-1/e) 贪婪近似（命题 1）；该保证适用于代理人，而不是人口代表性。其次，我们证明了奖金酒吧锦标赛在发布评论质量方面弱于 FOSD 主导固定支付，激励兼容性阈值 B > Delta C / Delta p_min（定理 1）。通过评估 13 个实验室的 42 个模型，排名第一的模型 Gemini-3.1-Pro-Preview 达到 53.17%，其次是 Claude-Opus-4.6，达到 49.92%，GPT-5.4 达到 48.55%，在饱和度以下还有很大的空间。完整的排行榜显示了分层结构，而不是平滑的总顺序：小前沿层位于 48% 以上，密集的强模型层大约覆盖 38-45%，而低性能模型仅略高于 10% 的机会基线。在五种工具使用评估中，工具增强加起来高达 5.17 分，不同模型的增益差异很大。我们报告引导排名稳定性统计数据，以使有限预算方差明确并阻止对相邻排名的过度解释。