**NOLLI：诊断英韩性能差距的难度校准谜题基准**

_NOLLI: A Difficulty-Calibrated Puzzle Benchmark for Diagnosing the English-Korean Performance Gap_

> 研究者提出NOLLI，一个程序生成的英语-韩语谜题基准，包含15种谜题类型、7500个可复现项目。通过行为难度校准而非简单扩大规模，评估15个前沿模型后发现：直接翻译任务中英韩表现无显著差异，但书写系统密集型任务差距可达68.7个百分点；谚文组合能力可预测密码任务表现，而传统规模指标在多数任务中无法有效区分难度。

**来源信息**
- **来源**：HuggingFace Daily Papers（社区热门论文）
- **分类**：论文
- **发布时间**：2026-08-06 08:00（北京时间）
- **原文**：[打开原文](https://huggingface.co/papers/2608.04397)