Question-based Assessment: Human vs. ChatGPT

kaggle2023-08-28 更新2024-03-08 收录

人工智能评估

性能比较

数据链接：

https://www.kaggle.com/datasets/mujtabamatin/question-based-assessment-human-vs-chatgpt 数据链接链接失效反馈

官方服务：

资源简介：

Bridging the Gap: Human and ChatGPT Performance in Question-based Evaluation

创建时间：

2023-08-28

MTCMB

中医药

人工智能评估

MTCMB是一个多任务基准框架，用于评估大型语言模型（LLM）在中医药知识、推理和安全方面的能力。它包含12个子数据集，涵盖了五个主要类别：知识问答、语言理解、诊断推理、处方生成和安全评估。该基准集整合了真实世界案例记录、国家执业医师资格考试和经典文本，为中医药能力模型提供了一个真实和全面的测试平台。初步结果表明，当前的大型语言模型在基础知识方面表现良好，但在临床推理、处方规划和安全合规方面仍存在

arXiv2025-06-02 更新1550

Energy Decision Benchmark (EDB-P)

能源管理

人工智能评估

能源决策基准（EDB）是一个用于评估受监管能源领域AI系统操作准备情况的可重复基准。它解决了大多数AI基准关注通用能力，但关键基础设施需要系统在监管约束下安全运行的空白。

github2026-01-23 更新170

Reve-AI-Halfmoon_t2i_human_preference

人工智能评估

图生成

.vertical-container { display: flex; flex-direction: column; gap: 60px; } .image-container img { max-height: 250px; /* Set the desired height */ margin:0; object-fit:

魔搭社区2025-11-12 更新80

WITNESS’ Truly Innovative and Effective AI Detection (TRIED) Benchmark

人工智能评估

检测工具评估

WITNESS开发的“真正创新和有效的人工智能检测”（TRIED）基准是一个新的框架，用于评估检测工具的真正影响和创新能力。该数据集基于一线经验、欺骗性AI案例和全球咨询，旨在解决AI检测工具在现实世界场景中的局限性，如可解释性、公平性、可访问性和上下文相关性等方面的挑战。通过采用TRIED基准，利益相关者可以推动创新，保护公众信任，加强人工智能素养，并为更强大的全球信息可信度做出贡献。

arXiv2025-04-30 更新190

ecnu-icalk/PsychEval

心理咨询

人工智能评估

PsychEval是一个综合性基准测试，旨在评估大型语言模型（LLMs）在心理咨询场景中的表现。与现有基准测试不同，PsychEval强调纵向、多会话的咨询过程和多疗法能力。数据集包含6-10次会话的完整咨询周期，分为三个阶段：案例概念化、核心干预和巩固。数据集支持不同治疗方法（如CBT、SFBT）的评估，并包含大量专业技能的标注（677种元技能和4577种原子技能）。此外，PsychEval引入

Hugging Face2026-01-13 更新110

Question-based Assessment: Human vs. ChatGPT

资源简介：

相关数据集