generalization vision hard

这是 S1MB 英文套件中的一个基准，取自 generalization-vision-hard 子集。判断作者定义的一个真/假条件是否成立，返回两个类别的概率，主指标是 Brier 分数，越低越好。该基准包含 300 个 case、300 个判断。评测协议：S1MB 把原始任务改写为类型化决策问题，模型必须输出概率分布，分数经过「忽略输入的基线」校正后折算到 0–100（50 分代表补上了一半差距，不是答对一半）。

这是 S1MB 英文套件中的一个基准，取自 generalization-vision-hard 子集。判断作者定义的一个真/假条件是否成立，返回两个类别的概率，主指标是 Brier 分数，越低越好。该基准包含 300 个 case、300 个判断。评测协议：S1MB 把原始任务改写为类型化决策问题，模型必须输出概率分布，分数经过「忽略输入的基线」校正后折算到 0–100（50 分代表补上了一半差距，不是答对一半）。