基准评测

研究者推出DECODEM基准数据集，评估大语言模型从公司组织文件中自动提取治理条款的能力，结果显示前沿模型能以高准确率完成这项复杂任务。

研究者发布WILDTRACE基准数据集，专注于评估AI模型在长文档中整合自然分散证据的能力，包含481个任务和214个真实场景文档，填补了现有基准在真实世界推理评估上的空白。

研究者推出首个图像引导多轮医学对话基准IMCBench，通过真实临床图像与合成病历模拟医患互动，评测多模态大模型在安全、准确与不确定性表达三方面的临床能力。