本文提出了一个包含1000个专家策划问答对的多跳生物医学问答基准MedHopQA,用于评估大语言模型的真实推理能力,零样本评估显示前沿模型准确率在66.3%至83.4%之间,表明该领域多跳推理仍具挑战性,并提供了一套可复用的抗数据污染基准构建框架。
机构:美国国家医学图书馆
来源:arXiv 2605.12361 | AI4Papers 论文推荐平台