IXThinker·2025-11-22 20:30

法律金融新基準PRBench頂級模型僅得低分

學術基準分數屢創新高，但頂級模型走進金融、法律等高風險專業場景是否可靠？新發布的PRBench以一萬九千多項專家評估準則模擬真實任務，結果顯示連GPT-5等旗艦模型也僅得低分，敲響警號。

基準設計

PRBench聚焦金融與法律領域的高風險任務，通過模擬真實場景與多輪對話評估模型表現，有別於MMLU、GPQA等偏重學術視角的傳統基準。設計過程動用一萬九千多項專家制定的評估準則，貼近實際執業情境。