WuYu-EnvLE-Bench

新基准评估大型语言模型在环境执法领域的处理能力

一个名为 WuYu-EnvLE-Bench 的新基准已被开发出来，用于评估大型语言模型（LLMs）在环境执法领域的处理能力。该基准源自真实案例和专家评审，包含 14 个任务和 12 个污染子领域的 2,521 个实例。初步评估显示，虽然 LLMs 在受规则约束的任务上表现良好，但在证据链构建和多源整合等复杂推理方面存在困难，这表明模型规模的扩大并不总能克服这些瓶颈。