Each language version is independently generated for its own context, not a direct translation.
这篇论文介绍了一个名为 BRIDGE 的新“考试”，专门用来测试人工智能（AI）在阅读长篇、复杂的科学论文时，到底有没有真本事。
想象一下，你正在参加一场高难度的**“侦探破案”游戏**，而 AI 就是那个侦探。
1. 以前的考试 vs. 现在的 BRIDGE 考试
以前的考试（旧基准）：
就像给侦探看一张简单的便条，上面写着：“小明昨天吃了苹果。”然后问：“小明昨天吃了什么？”
侦探只需要在便条上找到“苹果”这个词，就能答对。这太简单了，而且只考记忆力，不考推理。- 缺点： 很多 AI 在这种简单测试里表现很好，但一遇到复杂问题就露馅。
BRIDGE 考试（新基准）：
现在，侦探拿到的是整整一本厚厚的科学论文（可能有几十页），里面不仅有文字，还有复杂的表格（像财务报表）和图表（像折线图、柱状图）。
问题不再是简单的“是什么”，而是像这样的：“根据第 5 页的表格里的数据，结合第 12 页的图表趋势，再参考第 3 页的文字描述，解释为什么实验 A 的效果比实验 B 好？”
要回答这个问题，AI 必须像侦探一样：
- 在文字里找到线索。
- 去表格里核对数字。
- 看图表确认趋势。
- 把这些分散在不同页面的线索串联起来（这就是“多跳推理”），最后拼凑出真相。
2. 这个考试考什么？（三大题型）
BRIDGE 设计了三种不同难度的“破案”任务：
- 找不同（比较题）： 比如，“图 3 里，任务 1 和任务 3 的柱子哪个更高？”这需要 AI 同时看两个地方的数据并做比较。
- 问为什么（因果题）： 比如，“为什么作者只选用了部分错误类型？”这需要 AI 去文中找作者的解释理由。
- 写总结（抽象题）： 比如，“整篇论文的核心观点随着主观性变化有什么规律？”这需要 AI 通读全文，像写读后感一样概括。
3. 考试结果：AI 们表现如何？
研究人员找来了目前最厉害的 AI 模型（像 ChatGPT、Gemini、Qwen 等）来参加考试，结果发现了一些有趣（也有点尴尬）的现象：
现象一：直接给书看，AI 还行；但让 AI 自己找书，它就懵了。
如果把论文直接塞给 AI，让它慢慢读，它还能答对不少题。但是，如果给 AI 配一个“搜索引擎”（RAG 系统），让它自己去书里找答案，它的表现反而大幅下降。- 比喻： 就像让一个学霸直接看课本做题，他能考 90 分；但如果让他去图书馆自己找书，他可能连书都找错，最后只考了 40 分。这说明 AI 在**“找线索”**这个环节很弱。
现象二：表格是 AI 的“噩梦”。
当答案藏在密密麻麻的表格里时，AI 的错误率最高。- 比喻： AI 很擅长读故事（文字），也能看懂简单的画（图表），但一看到像 Excel 表格那样密密麻麻的数字，它就晕了，经常把数字看错或者张冠李戴。
现象三：书越厚，AI 越糊涂。
如果答案藏在论文的前几页，AI 答得不错；但如果答案藏在第 20 页以后，AI 的表现就直线下降。- 比喻： 就像让一个人在一个巨大的迷宫里找东西，离入口越远，他越容易迷路，甚至忘了自己一开始要找什么。
4. 为什么要搞这个考试？
以前的考试太简单，只问“答案对不对”，不管 AI 是怎么想出来的。这就像只问“小明是不是吃了苹果”，而不问“你是怎么知道小明吃了苹果的”。
BRIDGE 这个新考试，不仅看答案对不对，还看推理过程：
- 你引用的证据是真的吗？
- 你是不是真的看懂了图表？
- 你有没有把不同页面的线索连起来？
总结
这篇论文就像给 AI 界发了一张**“体检报告”。它告诉我们：现在的 AI 虽然很聪明，能写诗、能聊天，但在处理长篇、复杂、包含图表和表格的科学文档时，它们还像个“只会死记硬背的学生”，缺乏真正的逻辑推理和跨页面找证据**的能力。
BRIDGE 就是为了解决这个问题，给未来的 AI 研发者提供一个更真实的“训练场”，让它们学会像真正的科学家一样，去阅读、分析和推理。